collapsecollapse 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
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