Noventix
پنل منشروع 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.

هم‌راستاسازی و بازخورد

تعریف کوتاه

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

اصطلاحات مرتبط

هم‌راستاسازیAlignmentمدل پاداشReward Modelیادگیری تقویتی از بازخورد انسانیRLHF (Reinforcement Learning from Human Feedback)
بازگشت به واژه‌نامه