待验证50% 置信事实精确时间
2023年斯坦福提出的DPO通过将偏好学习问题重新表述为分类损失函数，完全绕过了奖励模型的训练
1
来源数
50%
置信度
长期有效
时效性
2026/9/5
首次发现
来源
涉及实体
引用此条事实
Stable URI
https://kongchang.com/claim/862142API
curl https://kongchang.com/api/v1/knowledge/claims/862142MCP
get_claim(id=862142)https://kongchang.com/claim/862142curl https://kongchang.com/api/v1/knowledge/claims/862142get_claim(id=862142)