摘要: 本文介绍了一种名为 Diffusion-DPO 的方法,该方法改编自最近提出的直接偏好优化 (DPO)。DPO 作为 RLHF 的简化替代方案,通过分类目标直接优化策略,以更好地满足人类偏好。 诸如 GPT-4 和 Llama 2 等高性能大型语言模型 (LLM) 的训练通常分为两个阶段: http 阅读全文
posted @ 2025-02-22 11:34 deephub 阅读(5) 评论(0) 推荐(0) 编辑
点击右上角即可分享
微信分享提示