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.

Просмотрите полный глоссарий AIИзучите все бесплатные руководства по искусственному интеллекту

Связанные термины

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