オンライン反復RLHF：報酬モデリングからオンラインRLHFへのワークフロー - 反復的な選好学習による包括的で実用的な調整レシピ

オンライン反復強化学習from Human Feedback (RLHF)は、オフライン手法と比較して、大規模言語モデルの調整において大幅に優れたパフォーマンスを発揮する。