生成AIパスポート 第1回　生成AI　問5（全12問）

ChatGPTの前身とされるInstructGPTで使われた、人間のフィードバックによる強化学習（RLHF）の3つの手順の順番として、適切なものを1つ選びなさい。

1. 1報酬モデルの学習 → 教師ありファインチューニング → 報酬モデルを使った強化学習
2. 2教師ありファインチューニング → 報酬モデルの学習 → 報酬モデルを使った強化学習
3. 3報酬モデルを使った強化学習 → 報酬モデルの学習 → 教師ありファインチューニング
4. 4事前学習 → 報酬モデルの学習 → 事前学習のやり直し

選択肢を押すと答え合わせができます。