Словарь
Онлайн-обучение с подкреплением
Вид обучения с подкреплением, при котором агент или модель учится на данных, которые сама собирает прямо во время обучения: действует текущей версией своей стратегии, получает вознаграждение и обновляется на этих свежих попытках. Этим оно отличается от офлайн-обучения с подкреплением, где используется заранее собранный и неизменный набор данных. Для языковых моделей это значит, что модель генерирует ответы и получает за них оценку в ходе дообучения, а не учится на готовых примерах.