การฝึกและหลังการฝึก

SFT / RLHF / DPO

กลุ่มวิธีหลังการฝึกสำหรับสอนการทำตามคำสั่งและพฤติกรรมที่สอดคล้องกับความพึงพอใจ SFT เรียนจากตัวอย่าง ส่วน RLHF และ DPO ใช้การเปรียบเทียบความพึงพอใจผ่านวิธีปรับให้เหมาะสมต่างกัน

ช่วงเวลาอ้างอิง

2017 / 2022 / 2023

ตรวจล่าสุด

2026-07-30