直接偏好优化(DPO)是一种利用人类偏好数据对齐语言模型的训练方法,由斯坦福大学研究人员于2023年提出。它给出同一提示下的偏好应答与非偏好应答对,不需要单独的奖励模型和强化学习,而是用提高偏好应答概率的损失函数直接训练模型。
它是RLHF的简化替代方案,实现简单、训练稳定,广泛用于开源LLM的后训练。
Direct Preference Optimization
一种利用偏好应答对直接对齐语言模型、无需单独奖励模型和强化学习的训练方法。
直接偏好优化(DPO)是一种利用人类偏好数据对齐语言模型的训练方法,由斯坦福大学研究人员于2023年提出。它给出同一提示下的偏好应答与非偏好应答对,不需要单独的奖励模型和强化学习,而是用提高偏好应答概率的损失函数直接训练模型。
它是RLHF的简化替代方案,实现简单、训练稳定,广泛用于开源LLM的后训练。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。
百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。