AI szószedet kifejezés
Mi az a DPO (Közvetlen Preferencia Optimalizálás)?
Meghatározás
Egy olyan képzési módszer, amely közvetlenül a preferenciapárokon finomítja a modelleket anélkül, hogy külön jutalommodellre lenne szükség.
AI szószedet kifejezés
Egy olyan képzési módszer, amely közvetlenül a preferenciapárokon finomítja a modelleket anélkül, hogy külön jutalommodellre lenne szükség.