标签: DPO

该标签下的全部文章 "DPO".

• DPO 入门：不用在线奖励循环，怎样学习偏好

  15 Sep, 2026

  从 chosen/rejected 答案对出发，计算 reference 校准的偏好分差、sigmoid 损失与梯度，解释 DPO 与 PPO、SFT 的区别。