2 篇文档带有标签「dpo」

DPO 如何消去 RM + PPO，及 KTO、ORPO、SimPO 的进一步简化思路

本章节范围：把 06 章训出来的 base model 变成能听懂指令、回答有用、行为安全的 instruct/aligned model。两步：SFT (instruction tuning) 教模型听指令，RLHF / DPO 等对齐方法让回答符合人类偏好。