Глоссарий терминов искусственного интеллекта

Что такое DPO (прямая оптимизация предпочтений)?

Определение

Метод обучения, который настраивает модели непосредственно на парах предпочтений без необходимости использования отдельной модели вознаграждения.

Связанные термины

Обучение с подкреплением на основе обратной связи с человеком (RLHF)
Метод обучения, который использует сигналы человеческих предпочтений для формирования поведения модели.
Пост-тренинг
Этапы обучения, применяемые после предварительного обучения, такие как настройка инструкций, оптимизация предпочтений и настройка безопасности.
Постоянное обучение
Подходы к обучению, которые позволяют модели продолжать обучение на новых данных, не забывая при этом предыдущие знания.
Точная настройка
Продолжение обучения на предметных данных для адаптации предварительно обученной модели к конкретной задаче.
Градиентный спуск
Метод оптимизации, который обновляет параметры в направлении, уменьшающем ошибку.
Инструкция по настройке
Точная настройка модели на парах инструкция-ответ для улучшения выполнения задач.

Узнайте больше в наших бесплатных руководствах.

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

См. также

Tree of ThoughtsQLoRAReActFlash AttentionAgentic LoopMulti-Head AttentionMCP (Model Context Protocol)Positional Encoding
Просмотрите полный глоссарий AIИзучите все бесплатные руководства по искусственному интеллекту