Reinforcement Learning with Verifiable Rewardsの略。数学の正答やコードのテスト結果など、検証できる結果から報酬を与える強化学習です。検証用の関数やルールを使って、モデルの出力を評価します。
実務で確認すること
計算問題なら正解との一致、コードならテストの通過などを報酬にできます。何を正解とするか、検証器がどこまで確認するかを定めます。学習に使っていない問題でも性能を測り、検証ルールにだけ適応していないかを確かめます。
参考資料
確認日:
LLMの学習と調整
Reinforcement Learning with Verifiable Rewardsの略。数学の正答やコードのテスト結果など、検証できる結果から報酬を与える強化学習です。検証用の関数やルールを使って、モデルの出力を評価します。
計算問題なら正解との一致、コードならテストの通過などを報酬にできます。何を正解とするか、検証器がどこまで確認するかを定めます。学習に使っていない問題でも性能を測り、検証ルールにだけ適応していないかを確かめます。
確認日: