Noventix
ورودشروع رایگان
اصطلاح هوش مصنوعی

DPO (Direct Preference Optimization)

بهینه‌سازی مستقیم ترجیحات

بهینه‌سازی مستقیم ترجیحات؛ روشی برای تنظیم مدل بر اساس ترجیح انسان بین پاسخ‌های مختلف، بدون نیاز به ساخت یک مدل پاداش جداگانه.

امنیت و ایمنی هوش مصنوعیسطح: متوسط

تعریف کامل

بهینه‌سازی مستقیم ترجیحات؛ روشی برای تنظیم مدل بر اساس ترجیح انسان بین پاسخ‌های مختلف، بدون نیاز به ساخت یک مدل پاداش جداگانه.
هم‌راستاسازیAlignmentیادگیری تقویتی از بازخورد انسانیRLHF (Reinforcement Learning from Human Feedback)مدل پاداشReward Model
بازگشت به واژه‌نامه