BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

奖励模型学习与直接策略优化：从人类偏好中学习的比较分析

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本文介绍了强化学习中基于人类偏好的学习方法，包括两个重要的近似方法：ΨPO和DPO。作者提出了一种新的通用目标ΨPO，通过成对偏好表示，绕过了两个近似。作者还讨论了ΨPO的特殊情况，并证明了其性能优于DPO。

🏷️

标签

DPO ΨPO 人类偏好 强化学习 近似方法
➡️

继续阅读

  1. Kimi K3 模型结构（10）：RL 与服务，状态住在哪里
    本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间...
  2. Allora Labs证明变异AI模型群体性能超单个优化模型
    Allora Labs研究表明，在AI模型群体中引入随机变异可提升整体性能，超越单个优化模型。变异群体在环境变化时表现更优，最佳情况下约80%优于优化群体...
  3. 并行策略总览：六个维度各切什么、怎么通信
    本文介绍大模型并行训练的核心概念，将DP、TP、SP、PP、EP、CP六种并行方式按切分维度、显存减少、通信开销和等待关系列表对比。并行本质是切分模型并引...
  4. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  5. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
  6. DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
    DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
👤 个人中心
在公众号发送验证码完成验证