RLHF：人の評価を用いたモデル調整

RLHF：人の評価を用いたモデル調整｜StatQuest with Josh Starmer

2:25から事前学習、5:06から教師あり微調整、7:35からRLHFを説明。

10:07から報酬モデルの学習、15:02からその利用を扱う。

公開日：2025-05-05。長さ：1082秒。確認範囲：概要・章立て。視聴前の目安（編集部）：LLMの学習と強化学習の基本

原題：Reinforcement Learning with Human Feedback (RLHF), Clearly Explained!!!

学習内容・前半のテーマ：2:25から事前学習、5:06から教師あり微調整、7:35からRLHFを説明。／確認 2026-09-15／https://www.youtube.com/watch?v=qPN_XZcJf_s

学習内容・後半のテーマ：10:07から報酬モデルの学習、15:02からその利用を扱う。／確認 2026-09-15／https://www.youtube.com/watch?v=qPN_XZcJf_s

確認事項・制作者の訂正・内容の範囲：InstructGPTの元論文を説明の基礎とする。すべての現行モデルが同一の学習工程を使うという意味ではない。／確認 2026-09-15／https://www.youtube.com/watch?v=qPN_XZcJf_s

対象：AIのモデルと実装を体系的に学びたい人。形式：YouTube動画（個別教材）。言語：英語。日本語の要点は本資料庫で作成。日本語字幕・吹き替えの有無は視聴時に確認。。利用条件：YouTube公開動画。外部の書籍・会員サービス・実行環境は別条件。

確認事項（編集部）：InstructGPTの元論文を説明の基礎とする。すべての現行モデルが同一の学習工程を使うという意味ではない。必要な前提知識を確認し、概要だけで理解が済んだとせず元の説明と計算例を参照する。

出典：StatQuest with Josh Starmer「Reinforcement Learning with Human Feedback (RLHF), Clearly Explained!!!」／公開・更新情報：2025-05-05／確認日：2026-09-15／https://www.youtube.com/watch?v=qPN_XZcJf_s

RLHF：人の評価を用いたモデル調整

関連ページ