索引 / 标签
#偏好优化
共 2 篇
- Ch11 模型微调
对比-DPOvsRLHF
概述 DPO（Direct Preference Optimization）和 RLHF（Reinforcement Learning from Human Feedback）都是将人类偏好注
约 2 分钟552 字 - Ch11 模型微调
偏好对齐：DPO vs GRPO（深挖）
Ch11 模型微调 介绍了 SFT（监督微调，给 AI 看标准答案让它学着模仿）教 AI "怎么做"，DPO（直接偏好优化）教 AI "什么样的答案更好"。这篇深入两种偏好对齐方法的区别。
约 4 分钟1,124 字