已验证90% 置信事实时间未知
DPO（Direct Preference Optimization）是2023年提出的对齐方法，可以跳过奖励模型训练直接从人类偏好数据中优化策略模型
30
来源数
90%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
GitHub 8K星：最全LLM资源宝库深度解析
githubWangRongsheng
涉及实体
引用此条事实
Stable URI
https://kongchang.com/claim/32774API
curl https://kongchang.com/api/v1/knowledge/claims/32774MCP
get_claim(id=32774)