标签：RLHF

什么是 DPO？不用奖励模型也能做偏好对齐

DPO 是什么？直接偏好优化如何让模型从“更好 / 更差”的回答对中学习，和 SFT、RLHF 有何区别，以及它为什么让对齐训练更简单。

什么是 RLHF？AI 是怎么被"调教"得懂事的

同样是大模型，为什么 ChatGPT 会礼貌回答、拒绝坏请求，而不是胡乱接龙？RLHF 和"对齐"是什么、AI 怎么学会好好说话、又有什么副作用，一文讲清。