Unverified60% confidenceFactExact time

DPO于2023年由斯坦福大学团队提出，将三阶段的RLHF流程简化为单一监督学习目标

2

Sources

60%

Confidence

Long-term

Relevance

7/11/2026

First Seen

Sources

GPT-5.6成微软Copilot 365首选模型：OpenAI与微软合作深度解析

rss7/10/2026

Related Claims

UnverifiedDPO作为RLHF的简化替代方案于2023年被斯坦福团队提出，省去了单独训练奖励模型的步骤，已被Llama 3、Mistral等采用85% similar UnverifiedDSPy框架由斯坦福于2023年发布，将提示词视为可训练参数，通过梯度下降等方法自动寻优69% similar UnverifiedDPO于2023年提出，通过数学推导证明可以跳过奖励模型训练步骤69% similar Unverified斯坦福大学研究团队在2022年的综述论文中系统记录了模型的涌现能力现象69% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/487756

API

curl https://kongchang.com/api/v1/knowledge/claims/487756

MCP

get_claim(id=487756)