RLHF

正解：A

RLHF は、人間の評価をもとに強化学習で言語モデルの出力を調整する手法。

大規模言語モデルの作り方：事前学習→指示チューニング→人の評価による調整（RLHF・DPOなど）。使うときはプロンプトの工夫（例示・段階的な思考）で引き出す。

• A

  正しい。人間の評価から報酬モデルを作り、その報酬を最大にするように言語モデルを調整する。

• B

  誤り。文中の一部の単語を隠して当てる事前学習のタスク。

• C

  誤り。系列を生成するモデルの学習で、正解を次の入力に使う方法。

• D

  誤り。単語の分散表現を学習する手法。

学習のポイント：大規模言語モデルが作られる流れ（事前学習 → 指示に従うための調整 → RLHF）を押さえる。