Термін глосарію AI

Що таке DPO (пряма оптимізація переваг)?

Визначення

Метод навчання, який точно налаштовує моделі безпосередньо на пари переваг без необхідності окремої моделі винагороди.

Перегляньте повний Глосарій ШІПерегляньте всі безкоштовні посібники зі штучного інтелекту

Споріднені терміни

Навчання з підкріпленням на основі зворотного зв’язку людини (RLHF)Метод навчання, який використовує сигнали переваг людини для формування модельної поведінки.ПосттренінгЕтапи навчання, які застосовуються після попереднього навчання, наприклад налаштування інструкцій, оптимізація параметрів і налаштування безпеки.Постійне навчанняПідходи до навчання, які дозволяють моделі продовжувати навчатися на нових даних, не забуваючи попередні знання.Точне налаштуванняПостійне навчання на предметних даних для адаптації попередньо навченої моделі до конкретного завдання.Градієнтний спускМетод оптимізації, який оновлює параметри в напрямку, що зменшує помилку.Інструкція НалаштуванняТочне налаштування моделі на парах інструкція-відповідь для покращення виконання завдань.

Дізнайтеся більше в наших безкоштовних посібниках

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

Дивіться також

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