[控场AI]
概念迭代式Step-DPO / 过程级偏好优化

Step-DPO

一种过程级偏好优化方法,通过步骤粒度的偏好对构造为长推理轨迹提供更密集的训练信号,改善信用分配。

时间轴 (近 90 天)

11月3日

MLR引入迭代式Step-DPO,一种过程级偏好优化方案,利用扭曲序贯蒙特卡洛(TSMC)提供可扩展的逐步监督。

待验证50%

全部知识事实 (1)

来源文章