在 RLHF 的典型流程中，下列哪個步驟的順序是正確的？

解析

RLHF 的標準流程為：(1) 讓人類對模型的多個輸出進行偏好排序，(2) 用這些偏好資料訓練獎勵模型（Reward Model），(3) 用強化學習（如 PPO）根據獎勵模型的評分優化語言模型。

正確答案：C. 收集人類偏好 → 訓練獎勵模型 → 強化學習優化語言模型