强化微调是什么，与传统微调的区别在哪
原理：在强化微调中，会定义一个基于模型在特定任务中的表现的奖励信号来指导模型参数的更新过程，而不是像传统微调那样主要基于损失函数。策略优化则是利用强化学习中的算法，如策略梯度算法，根据奖励信号来更新模型参数，让模型像智能体一样，通过不断尝试和学习找到最优策略1. 运作方式：当模型遇到问题时，研究者给予其思考空间，然后评估模型给出的最终解答。通过强化学习，强化产生正确答案的思路，抑制产生错误答案的思路。只需 “几十个例子” 甚至 12 个例子，模型就能以有效的新方式学习特定领域的推。
