SKILL
post-training-trl-fine-tuning
使用强化学习配合TRL微调大语言模型——SFT用于指令微调，DPO用于偏好对齐，PPO/GRPO用于奖励优化，以及奖励模型训练。适用于需要RLHF、使模型与偏好对齐或基于人类反馈训练的场景。可与HuggingFace Transformers配合使用。
机器翻译查看英文原文
Fine-tune LLMs using reinforcement learning with TRL - SFT for instruction tuning, DPO for preference alignment, PPO/GRPO for reward optimization, and reward model training. Use when need RLHF, align model with preferences, or train from human feedback. Works with HuggingFace Transformers.
适用对象：学习与科研。自动收录 · 待核查。
在 Claude Code 中使用
该组合的专门教程待补充，尚未核实适配。
准备条件
- 本条仅收录原作者的技能元数据；请阅读完整说明，确认依赖、许可与使用条件。
选择已有说明的 AI 工具，或在页面加载后保存待办及提出教程请求。
查看原作者说明 ↗