Odds Ratio Preference Optimization

Определение

Метод выравнивания, объединяющий supervised fine-tuning и оптимизацию предпочтений в единую функцию потерь с использованием odds ratio для сравнения пар ответов.

Где встречается

• 36. Что такое DPO (Direct Preference Optimization) и чем отличается от RLHF

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление