Longlong's Blog
blog.xlonglong.cn
前言 DPO的形式很简单，最终是在一个偏好对数据上进行直接训练 不再显式训练 Reward Model，也不需 […] <p>The post 从PPO到DPO的数学推导以及实现 first appeared on Longlong's Blog .</p>…
前言 DPO的形式很简单，最终是在一个偏好对数据上进行直接训练 不再显式训练 Reward Model，也不需 […] <p>The post 从PPO到DPO的数学推导以及实现 first appeared on Longlong's Blog .</p>…
讨论
登录后参与讨论
还没有评论，来说第一句吧。