Gå til indholdScholarGate
BibliotekMit bibliotekSkrivebordReview StudioAssistent
Log ind
Direct Preference Optimization/Bevis
Metodebevisregistrering

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

Kilderegistrering

Citater kopieret ordret fra metodens kilderegistrering. Ingen påstandsniveauverifikation er udledt heraf.

Direct Preference Optimization: Your Language Model is Secretly a Reward Model
Taksonomisk metoderegistrering · 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
Åbn fuld metode

Kuraterede påstande

Påstande gemt i bevis-loggen, hver med sin egen vurdering.

Ingen kuraterede påstande endnu

Denne visning opfinder ikke en påstandsvurdering, når loggen ingen har.

Relaterede metoder

Genereret fra metodegrafen og vist som maskinelt foreslåede relationer — ingen bevispåstand er udledt.

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.

Bevisstatus

Sources recorded, not reviewed

Bibliographic sources are present. Claim-level evidence review has not been performed.

Kilder

1 registreret citat, kopieret fra metodens kilderegistrering.

Handlinger

Åbn metodeside
ScholarGate

Et indholdsfokuseret opslagsbibliotek over forskningsmetoder — hvad hver metode er, hvordan den fungerer, og hvor den kommer fra.

Åbne data (CC-BY)

Opdag

  • Bibliotek
  • Søg i metoder…
  • Gennemse efter fagområde
  • Fagområder
  • Rejse
  • Sammenlign
  • Hvilken metode?

Reference

  • Fagområder
  • Atlas
  • Ordliste
  • Metodologi
  • Filosofi

Arbejdsområde

  • Mit bibliotek
  • Skrivebord
  • Chat

Virksomhed

  • Om
  • Priser
  • Kontakt
  • Foreslå en metode

Posterne er sammenstillet fra publicerede kilder til reference. Det er dit eget ansvar at kontrollere, at oplysningerne er korrekte og egnede til din anvendelse.

© 2026 ScholarGate · Et opslagsbibliotek over forskningsmetoder
  • Privatliv
  • Cookies
  • Vilkår
  • Slet konto