Agentic Research
EN

DPO（Direct Preference Optimization）

DPO 讓模型從「較好答案」與「較差答案」的配對中學習偏好。

你會在什麼時候遇到它

偏好學習的代表方法之一；與 RLHF 一起認得，就能讀懂多數模型卡的自述。

相關詞條

Fine-tune（微調）Pre-training（預訓練）Post-training（後訓練）

下一步