在ChatGPT中，强化-从人的学习反馈和数据重新标签之间的区别是什么？

Question

强化-向人学习-反馈对培训数据-标签-再一次.

Answer 1

ChatGPT是一个生成模型，它生成令牌序列。在分类问题的意义上没有标签。因此，在ChatGPT的上下文中，使用奖励信号重新标记是没有意义的。

另一方面，RLHF用于使模型倾向于生成所需的序列。