li zhiqian
Results
1
issues of
li zhiqian
根据用户对话中收集的新数据不断update参数，并且要防止遗忘问题。 但数据集每次是一些句子，总体不够多用于finetune。目前思路是设计一个reward model进行preference调参数，即传统强化学习RL？ 想讨论具体有例子和实践方法