Simple Preference Optimization

Определение

Метод alignment, использующий среднюю длину ответа для регуляризации.

Где встречается

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

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление