Termín glosář AI
Co je DPO (přímá optimalizace preferencí)?
Definice
Tréninková metoda, která dolaďuje modely přímo na preferenčních párech bez nutnosti samostatného modelu odměn.
Termín glosář AI
Tréninková metoda, která dolaďuje modely přímo na preferenčních párech bez nutnosti samostatného modelu odměn.