Termen de glosar AI

Ce este DPO (Optimizare directă a preferințelor)?

Definiție

O metodă de antrenament care ajustează modelele direct pe perechile de preferințe, fără a avea nevoie de un model de recompensă separat.

Termeni înrudiți

Învățare prin consolidare din feedbackul uman (RLHF)
O metodă de antrenament care utilizează semnale de preferințe umane pentru a modela comportamentul modelului.
Post-antrenament
Pași de antrenament aplicați după antrenament preliminar, cum ar fi reglarea instrucțiunilor, optimizarea preferințelor și reglarea siguranței.
Învățare continuă
Abordări de formare care permit unui model să continue să învețe din date noi, fără a uita cunoștințele anterioare.
Reglaj fin
Formarea continuă cu privire la datele specifice domeniului pentru a adapta un model pre-antrenat la o anumită sarcină.
Coborâre în gradient
O metodă de optimizare care actualizează parametrii în direcția care reduce eroarea.
Reglajul instrucțiunilor
Ajustarea fină a unui model de perechi instrucțiune-răspuns pentru a îmbunătăți urmărirea sarcinilor.

Aflați mai multe în ghidurile noastre gratuite

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

Vezi și

Tree of ThoughtsQLoRAReActFlash AttentionAgentic LoopMulti-Head AttentionMCP (Model Context Protocol)Positional Encoding
Răsfoiți întregul glosar AIExplorați toate ghidurile AI gratuite