Registre d'evidència del mètode

Direct Preference Optimization

Direct Preference Optimization (DPO) is a training method introduced by Rafailov et al. in 2023 that aligns language models with human preferences without requiring an explicit reward model. By directly optimizing for preference pairs (better response vs worse response), DPO simplifies the training pipeline compared to reinforcement learning from human feedback (RLHF).

Sources recorded, not reviewed

Registre font

Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.

Direct Preference Optimization: Your Language Model is Secretly a Reward Model

Registre de mètode taxonòmic · ml-model / deep-learning

Rafailov, R., Sharma, A., Mitchell, E., Manning, C. D., Ermon, S., & Finn, C. (2023). Direct preference optimization: Your language model is secretly a reward model. arXiv preprint arXiv:2305.18290. · URL

Obre el mètode complet

Reclamacions curades

Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.

Encara no hi ha reclamacions curades

Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.

Mètodes relacionats

Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.

Same method familyLatent Diffusion Modelsmachine-suggested · Relational suggestion, not evidence.Same method familyMamba (State Space Model)machine-suggested · Relational suggestion, not evidence.Same method familyMasked Autoencodersmachine-suggested · Relational suggestion, not evidence.Same method familyQLoRAmachine-suggested · Relational suggestion, not evidence.