Tag
Všetky publikované články, v ktorých sa téma DPO objavuje ako dôležitý kontext. Aktuálne 2 textov v archíve.
Štúdia Apple oddeľuje vplyv dát, základného modelu a algoritmu pri preferenčnom ladení MLLM. Metóda BDHS znižuje závislosť od externého učiteľa, no výsledky zostávajú obmedzené na modely LLaVA a benchmarky.
Nový preprint ξ-DPO tvrdí, že pri direct preference optimization vie nahradiť ťažko čitateľnú margin schému interpretovateľnejším pomerovým cieľom. Pre tímy, ktoré dolaďujú modely na ľudských preferenciách, to môže znamenať menej slepého skúšania a ľahšie prenositeľné nastavenia.