Módszerbizonyíték rekord

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

Forrásrekord

A hivatkozások szó szerint a módszer forrásrekordjából kerültek átvételre. Ezekből nem következtethető ki állítás-szintű ellenőrzés.

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

Taxonómiai módszerrekord · 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

Teljes módszer megnyitása

Kurált állítások

Az állítások a bizonyíték-jegyzőkönyvben tárolódtak, mindegyik saját értékeléssel.

Még nincsenek kurált állítások

Ez a nézet nem hoz létre állítás-értékelést, ha a jegyzőkönyvben nincs.

Kapcsolódó módszerek

A módszergráfból generálva és gépi javaslatú kapcsolatokként jelenítve meg – nem következtethető ki bizonyíték-állítás.

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.