RS-DPO:一种用于大型语言模型对齐的混合拒绝抽样和直接偏好优化方法

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

该文章介绍了一种利用人类比较数据和强化学习方法对大规模语言模型进行微调的方法,通过Diffusion-DPO方法,可以使扩散模型更好地与人类偏好相匹配。研究结果表明,经过微调的模型在视觉吸引力和提示对齐方面显著优于基础模型。该方法为扩展扩散模型对齐方法提供了新的可能性。

🏷️

标签

➡️

继续阅读