DPO 直接偏好优化 对齐从RLHF走到DPO：AI直接偏好优化笔记最开始尝试了传统的 RLHF（强化学习人类反馈），但过程太痛苦了——需要训练三个模型，显存要80G，训练时间一… 醉月思📁 技术实践📅 2024-09-25
