通俗解释
三步走：监督微调（SFT）→ 人类对多条回答排序、训练奖励模型 → 用 PPO 最大化奖励，同时用 KL 惩罚防止偏离太远。InstructGPT/ChatGPT 靠它变得“听话”。
用在哪里：ChatGPT、Claude、Llama 2-Chat 等
时间轴 · 前置 → 当前 → 后继
01原始论文
Training language models to follow instructions with human feedback
Long Ouyang, Jeff Wu, Xu Jiang, et al. · 2022
arXiv ↗ ✓ 已核实 · arXiv API
备注：偏好学习源头：Christiano 等 2017（arXiv:1706.03741）
02知识位置
左边先学；右边是学完它之后可以学的。
人类反馈强化学习 RLHF
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
rlhf)