AWS ukazuje rDPO: modely Nova sa majú selektívne odnaučiť zbytočné odmietania
AWS predstavil Reverse Direct Preference Optimization, techniku selektívneho odnaučenia v modeloch Amazon Nova. Cieľom je znížiť prehnané odmietanie legitímnych podnikových úloh bez toho, aby sa rozbili bezpečnostné hranice modelu.