Что такое RLSF: как модель использует самооценку при дообучении
Описанный DeepSeek метод дообучения, при котором собственная оценка уверенности или критика модели служит сигналом вознаграждения; сама по себе такая оценка не подтверждает качество результата.
Разобраться в термине