DalšíDalší průvodce
Optimalizace preferencí poměru šancí
Jazyk AI
Jazyk AI GUIDE
Direct Preference Optimization (DPO) trains a language model from preference comparisons without the separate reward-model-plus-online-PPO loop used in a standard RLHF setup.
Poslechněte si tento návodAI-vyprávěný · ~2 min
The DPO paper derives a preference-learning objective from a KL-constrained reward-maximization setup. Training examples include a prompt, preferred answer, and rejected answer. The method uses a reference policy in its objective and avoids fitting a separate reward model in the proposed pipeline. This does not mean DPO avoids all modeling assumptions or guarantees alignment. DPO optimizes pairwise preference comparisons using policy and reference log probabilities. Its implicit reward is beta times the policy/reference log-probability ratio, up to a prompt-dependent constant. KTO is a separate prospect-theoretic alignment objective that learns from binary desirable/undesirable feedback and should not be labeled a DPO variant.
Train on prompts with preferred and rejected answers.
Compare a DPO experiment with a supervised baseline on a fixed evaluation set.
Track the reference model and beta settings for reproducibility.
Review learned behavior for regressions after preference tuning.
Preference-training methods continue to vary. Report data, reference, optimizer, and evaluation details rather than treating DPO as a complete safety method.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Direct Preference Optimization (DPO) trains a language model from preference comparisons without the separate reward-model-plus-online-PPO loop used in a standard RLHF setup.
Hlavní výhodou DPO je odstranění explicitního modelu odměn a vzorkovací smyčky RL, místo toho optimalizace politiky přímo na párech preferencí.
DPO trénuje na preferenčních párech: výzva plus jedna preferovaná („vybraná“) a jedna neupřednostňovaná („odmítnutá“) odpověď.
Zmrazená reference (typicky model SFT) ukotvuje ztrátu; parametr beta řídí, jak daleko se od něj může trénovaná politika posunout.
The DPO objective uses a preference pair and compares policy log-probability ratios against a reference policy. This describes the pairwise objective, while the implicit-reward interpretation is a related consequence.
Beta řídí implicitní omezení KL: vyšší beta udržuje politiku blíže referenční, nižší beta umožňuje větší odchylku.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Optimalizace preferencí poměru šancí
Jazyk AI