finetuning

finetuning について

このスキルは、学習手法（SFT、LoRA、DPO/KTO/ORPO、RFT、GRPO/PPO/RLOO、RLHF）の選択や診断を行うとき、またはユーザーがファインチューニング、ポストトレーニング、学習レシピ、報酬設計、重み更新に言及したときに使用する。報酬の形による決定木、スモークランのゲート、3 つの失敗診断、5 つの偽の進捗パターン。プロバイダーのレシピと I/O 契約は references/ を参照。