Pelatihan dan pascapelatihan
SFT / RLHF / DPO
Keluarga metode pascapelatihan untuk mengajarkan kepatuhan pada instruksi dan perilaku yang selaras dengan preferensi. SFT belajar dari demonstrasi; RLHF dan DPO memakai perbandingan preferensi melalui prosedur optimasi yang berbeda.
Istilah kunci
- penyetelan halus terawasi (supervised fine-tuning)
- data preferensi (preference data)
- model imbalan (reward model)
- penyelarasan (alignment)
Terhubung di seluruh proyek
Dibangun di atas
Dipakai oleh
Teknologi terkait
Konteks sejarah
Sumber primer
Ini adalah peta teknis terkurasi, bukan klaim cakupan yang menyeluruh.