人工智能术语

什么是DPO（直接偏好优化）？

定义

一种直接在偏好对上微调模型的训练方法，无需单独的奖励模型。

浏览完整的人工智能术语表探索所有免费的人工智能指南

相关术语

根据人类反馈进行强化学习 (RLHF)一种使用人类偏好信号来塑造模型行为的训练方法。培训后预训练后应用的训练步骤，例如指令调整、偏好优化和安全调整。持续学习让模型不断从新数据中学习而不忘记先验知识的训练方法。微调对特定领域的数据进行持续训练，以使预先训练的模型适应特定任务。梯度下降一种向减少误差的方向更新参数的优化方法。指令调优微调指令-响应对的模型以改善任务跟踪。

在我们的免费指南中了解更多信息

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

参见

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