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

  • 监督微调（supervised fine-tuning）
  • 偏好数据（preference data）
  • 奖励模型（reward model）
  • 对齐（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。