辅导男朋友转算法岗第32天｜DPO
终于到DPO了，谁懂！
基于人类反馈的强化学习RLHF分三个阶段：SFT、奖励模型（RM）、强化学习（PPO）。但是PPO复杂且不稳定，因此现实场景下多使用DPO：不依赖于明确的奖励建模或者强化学习，通过直接优化用户的偏好反馈来提高策略的表现。
[睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R][睡觉R]
AAAI赶不上了，ICASSP启动！
评论列表
热门分类
你这个笔记能不能开园啊大佬
ICASSP太危险了，不投
[doge]ICASSP不是点击就送嘛