RLHF

不需重新訓練！PoEM 演算法直接預測新獎勵函數的強化學習結果

PoEM: Predicting RL Outcomes Without Re-training Existing Policies

PoEM 框架允許研究人員在不進行任何實際強化學習訓練的情況下，利用現有已對齊模型的對數空間線性組合，直接精準預測並合成適用於新獎勵函數的 AI 模型。