DPO gradient

Определение

Градиент функции потерь DPO, который увеличивает вероятность предпочтительного ответа и уменьшает вероятность непредпочтительного с весом, зависящим от текущей ошибки модели.

Где встречается

• 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление