AI Ordlista Term

Vad är DPO (Direct Preference Optimization)?

Definition

En träningsmetod som finjusterar modeller direkt på preferenspar utan att behöva en separat belöningsmodell.

Relaterade termer

Reinforcement Learning from Human Feedback (RLHF)
En träningsmetod som använder signaler om mänskliga preferenser för att forma modellbeteende.
Efter träning
Utbildningssteg som tillämpas efter förträning, såsom instruktionsinställning, preferensoptimering och säkerhetsinställning.
Kontinuerligt lärande
Utbildningsmetoder som låter en modell fortsätta att lära sig av ny data utan att glömma förkunskaper.
Finjustering
Fortsatt utbildning om domänspecifik data för att anpassa en förtränad modell till en specifik uppgift.
Gradient Descent
En optimeringsmetod som uppdaterar parametrar i den riktning som minskar fel.
Instruktionsjustering
Finjustera en modell på instruktion-svar-par för att förbättra uppgiftsföljden.

Läs mer i våra kostnadsfria guider

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
Bläddra i hela AI-ordlistanUtforska alla gratis AI-guider