热门

最新

红包

立Flag

投票

同城

发布
weixin_40852426
RafaK
1 年前
trueweixin_40852426

我一直在想PPO是否能像DPO一样简单。DPO已经有很多很好的偏好数据集，比如UltraFeedback，但PPO的在线学习需要一个奖励模型来评估性能，而好的奖励模型却很少见。🤔

幸运的是，@一直想飞的cat 发布了一个奖励模型

详情：

1
22
  • 复制链接
  • 举报
下一条：
备战25蓝桥第二天