基于人类反馈的强化学习 (RLHF) 过程通常从监督微调 (SFT) 开始。这一初始步骤使一个通用预训练大型语言模型 (LLM) 适应，以更好地符合目标任务或应用场景，在强化学习阶段之前。SFT 使用一个包含高质量提示-响应示例的数据集，为模型提供对所需行为和输出格式的扎实基础认知。

本章侧重于SFT阶段。您将学习：

• SFT 在为 RLHF 初始化策略时的作用。
• 收集合适演示数据集的方法。
• 重要的实施方面，包括训练配置和超参数。
• 评估 SFT 模型表现的技巧。

我们将通过一个实际练习来结束本章，演示如何在语言模型上进行 SFT。理解 SFT 对于构建一个高效的 RLHF 流程非常重要。