RLHF：人間による評価を利用して強化学習エージェントを訓練する方法 | AI-SCHOLAR

3つの要点✔️ エージェントの振る舞いを人間が比較評価して良さを定量化し，それを近似するreward modelを学習✔️ reward modelを利用して，強化学習関連キーワードはありません