直接選好最適化とは
ちょくせつせんこうさいてきか
別名: DPO / direct preference optimization
人間の選好データから直接モデルを最適化する手法。報酬モデルを別途作らずに済む。RLHFより単純な学習手順で調整できる。
✓ 監修済み
スライドで学ぶ
3日間の無料トライアル付き・クレジットカード不要・いつでも解約OK