简体中文
← 返回 AI 技术体系

训练与后训练

SFT / RLHF / DPO

一组用于训练指令遵循与偏好对齐行为的后训练方法。SFT 学习示范数据；RLHF 与 DPO 以不同优化过程利用偏好比较。

时间节点
2017 / 2022 / 2023
最近审查

关键术语

  • supervised fine-tuning
  • preference data
  • reward model
  • alignment

项目内关联

基于

被用于

相关技术

相关论文

历史背景

一手来源

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

这是经过选编的技术图谱，并非对 AI 技术的完整覆盖声明。