腾讯网1 个月
DPO-Shift：一个参数可控改变DPO分布，缓解似然偏移
而直接偏好优化（DPO）及其衍生变体作为离线算法，凭借简单易用、稳定性强等优势，近来广受关注。 DPO主要通过最大化选定响应与拒绝响应间的 ...