Istilah Glosari AI

Apa itu DPO (Pengoptimuman Keutamaan Langsung)?

Definisi

Kaedah latihan yang memperhalusi model secara langsung pada pasangan pilihan tanpa memerlukan model ganjaran yang berasingan.

Istilah berkaitan

Pembelajaran Pengukuhan daripada Maklum Balas Manusia (RLHF)
Kaedah latihan yang menggunakan isyarat keutamaan manusia untuk membentuk tingkah laku model.
Selepas latihan
Langkah latihan digunakan selepas pralatihan, seperti penalaan arahan, pengoptimuman keutamaan dan penalaan keselamatan.
Pembelajaran Berterusan
Pendekatan latihan yang membolehkan model terus belajar daripada data baharu tanpa melupakan pengetahuan terdahulu.
Penalaan Halus
Meneruskan latihan tentang data khusus domain untuk menyesuaikan model pra-latihan kepada tugas tertentu.
Keturunan Kecerunan
Kaedah pengoptimuman yang mengemas kini parameter ke arah yang mengurangkan ralat.
Penalaan Arahan
Memperhalusi model pada pasangan arahan-tindak balas untuk menambah baik mengikut tugasan.

Ketahui lebih lanjut dalam panduan percuma kami

AI Inference OptimizationBidirectional Recurrent NetworksSecond-Order Optimization and Newton MethodsOdds Ratio Preference Optimization

See also

Tree of ThoughtsQLoRAReActFlash AttentionAgentic LoopMulti-Head AttentionMCP (Model Context Protocol)Positional Encoding
Semak imbas Glosari AI penuhTerokai semua panduan AI percuma