Alexander Bukharin

HERONは報酬設計を簡素化して、強化学習の効率と柔軟性を向上させるんだ。

腐敗したフィードバックを使ってAIの人間の価値観との整合性を向上させる新しい方法。

新しい方法が言語モデルが複雑な指示に従うのを強化するんだ。