Español
Volver a Tecnologías de IA

Entrenamiento y posentrenamiento

SFT / RLHF / DPO

Una familia de métodos de posentrenamiento para enseñar seguimiento de instrucciones y alineación con preferencias. SFT aprende de demostraciones; RLHF y DPO usan comparaciones mediante optimizaciones distintas.

Periodo de referencia
2017 / 2022 / 2023
Última revisión

Términos clave

  • ajuste fino supervisado (supervised fine-tuning)
  • datos de preferencia (preference data)
  • modelo de recompensa (reward model)
  • alineación (alignment)

Conexiones en el proyecto

Se basa en

Usado por

Tecnologías relacionadas

Artículos relacionados

Contexto histórico

Fuentes primarias

  1. Deep reinforcement learning from human preferences
  2. Training language models to follow instructions with human feedback
  3. Direct Preference Optimization

Este es un mapa técnico seleccionado, no una afirmación de cobertura completa.