การจัดแนว (Alignment): SFT, โมเดลรางวัล, PPO และ DPO
โมเดลภาษาที่ได้รับการพรีเทรนมีความสามารถสูง แต่ยังไม่ได้รับการจัดแนว (alignment) เลย ถามคำถามเดียวอาจได้คำตอบเป็นคำถามต่อ เรื่องสั้น หรือเนื้อหาเป็นพิษ — ทั้งหมดนับว่าเป็นการต่อข้อความที่ "ถูกต้อง" เท่าเทียมกัน การจัดแนว (alignment) คือกระบวนการนำศักยภาพดิบนี้มาปรับให้เป็นโมเดลที่มีประโยชน์ ซื่อสัตย์ และปลอดภัย บทเรียนนี้ครอบคลุมไปป์ไลน์สามขั้นตอนที่เปลี่ยนโมเดลฐานให้กลายเป็นคล้าย ChatGPT หรือ Claude