概念self-play fine-tuning
自博弈微调
一种训练范式,通过模型自身生成样本并与判别器进行多轮对抗式交替优化,持续修正模型对目标分布的估计,无需真实负样本标签。
时间轴 (近 90 天)
11月16日
自博弈训练的计算开销高于一次性微调,因为每轮迭代都要生成样本并训练判别器。
待验证50%
一种训练范式,通过模型自身生成样本并与判别器进行多轮对抗式交替优化,持续修正模型对目标分布的估计,无需真实负样本标签。
自博弈训练的计算开销高于一次性微调,因为每轮迭代都要生成样本并训练判别器。