hsr0316

摘要： DPO 与 PPO 算法原理与代码实现对比 近年来，大语言模型（LLM）训练中，强化学习（RL）技术被广泛应用于对齐模型输出与人类偏好。PPO（Proximal Policy Optimization）是 RLHF（Reinforcement Learning from Human Feedback 阅读全文