Termin ze słownika AI

Czym jest DPO (bezpośrednia optymalizacja preferencji)?

Definicja

Metoda uczenia, która dostraja modele bezpośrednio na parach preferencji, bez konieczności stosowania osobnego modelu nagrody.

Przejrzyj pełny słownik AIPrzeglądaj wszystkie bezpłatne przewodniki AI

Powiązane terminy

Uczenie się przez wzmocnienie na podstawie informacji zwrotnej od ludzi (RLHF)Metoda szkoleniowa wykorzystująca sygnały preferencji ludzkich do kształtowania zachowań modelu.Po treninguEtapy treningu stosowane po treningu wstępnym, takie jak dostrajanie instrukcji, optymalizacja preferencji i dostrajanie bezpieczeństwa.Ciągła naukaPodejścia szkoleniowe, które pozwalają modelowi uczyć się na nowych danych, nie zapominając o wcześniejszej wiedzy.DostrajanieKontynuowanie szkolenia na danych specyficznych dla domeny w celu dostosowania wstępnie wyszkolonego modelu do konkretnego zadania.Zejście gradientoweMetoda optymalizacji, która aktualizuje parametry w kierunku zmniejszającym błąd.Instrukcja strojeniaDostrajanie modelu par instrukcja-odpowiedź w celu poprawy wykonywania zadań.

Dowiedz się więcej z naszych bezpłatnych przewodników

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

Zobacz także

Tree of ThoughtsQLoRAReActFlash AttentionAgentic LoopMulti-Head AttentionMCP (Model Context Protocol)Positional Encoding