RLHF

Técnica de entrenamiento que alinea los modelos con las preferencias humanas mediante un modelo de recompensa aprendido de valoraciones humanas.

El RLHF es gran parte del motivo por el que los chatbots resultan útiles y educados en vez de limitarse a predecir texto probable. Variantes más recientes como DPO logran una alineación similar con un entrenamiento más sencillo.

Recursos relacionados

Ajuste Práctico de LLM

Guía práctica y con enfoque hands-on para el ajuste fino de modelos grandes: cubre métodos eficientes en parámetros como LoRA y QLoRA junto con el ajuste fino tradicional. Recorre la preparación de datasets, ajuste de hiperparámetros y métricas de evaluación con ejemplos de código reales; ideal para ingenieros de ML que quieren adaptar modelos base a dominios específicos sin el coste de entrenar desde cero.