BriefGPT - AI 论文速递 · 2023-10-18T00:00:00Z

理解从人类偏好中学习的一般理论范式

📝

内容提要

ΨPO是一种新的强化学习算法，通过成对偏好来绕过两个重要的近似，可以对现有的RLHF和DPO算法进行更深入的理论理解和分析，并在实证上展示其优越性。

🏷️

标签

DPO RLHF ΨPO 强化学习 成对偏好