collapse

Определение

Режим отказа модели, при котором она перестаёт генерировать разнообразные ответы или чрезмерно отклоняется от эталонной политики, что предотвращается в RLHF с помощью PPO.

Где встречается

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

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление