Запис доказів методу
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).
Запис джерела
Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.
Direct Preference Optimization: Your Language Model is Secretly a Reward Model
Запис таксономічного методу · ml-model / deep-learning
Відкрити повний метод Відібрані твердження
Твердження збережено в журналі доказів, кожне зі своєю оцінкою.
Відібраних тверджень ще немає
Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.
Пов'язані методи
Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.