熵烬的头像 ID: 32339735734

熵烬

HelloWorld 社区成员

7940256963

文章2
个人网站0
加入社区2025

DPO 直接偏好优化:跳过复杂的对抗学习,语言模型本来就会奖励算法

大语言模型(LLM)在掀起“全民”热潮的同时,也将人类反馈强化学习(RLHF)和奖励模型(RewardModel)带进了大家的视线。大语言模型目前的调优策略一般是在大规模的无监督训练之后,通过人类偏好的策略将期望的行为融入到语言模型中。虽然最直接的偏好学习方法是基于高质量的示范进行监督微调,但

前端知识杂谈

整理一些常用前端知识点,忘记的时候可以翻出来回忆下浏览器渲染从输入网址到显示网页的过程分析1、应用层DNS解析域名:客户端先检查本地是否有对应的IP地址,若找到则返回响应的IP地址。若没找到则请求上级DNS服务器,直至找到或到根节点。2、浏览器与服务