训练与微调

直接偏好优化

DPO (Direct Preference Optimization)

跳过奖励模型,直接用偏好数据对微调。

又称 DPO

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

数学上把「奖励模型 + 强化学习」两步合并成一个分类损失:让模型提高「好回答」的概率、降低「差回答」的概率。工程上简单得多,不需要 PPO 那套采样与价值网络。

效果接近 RLHF,成本低一个量级,已经成为开源模型后训练的主流做法。

02 什么时候会碰到它
判断一个新版本到底改了什么时

预训练、对齐、微调、蒸馏各有各的代价。看懂这组词,才能分清「知识量变了」还是「只是更听话了」,也才知道自己的业务该不该做微调。

03 和这几个词怎么区分
04 接着读这几篇
05 用得到的工具

下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活