Fine-tuning ও preference tuning
অন্য নাম: ফাইন-টিউনিং, RLHF, DPO
আগে প্রশিক্ষিত মডেলকে নির্দিষ্ট উদাহরণ বা মানুষের পছন্দের তুলনা দিয়ে আরও train করা। আচরণ বদলায়, কিন্তু নতুন তথ্যের নিশ্চয়তা দেয় না।
বিস্তারিত শিখুন: Fine-tuning, Instruction Tuning ও Preference (DPO) (এই পাঠ পড়তে লগইন প্রয়োজন)