零额外数据的 DPO 新法:用随机 prompt 造被拒响应
natashajaques · x · 2026-07-07
介绍一种简单方法,可在已微调模型上跨一系列基准带来显著性能提升,且无需额外数据、标签或监督。
做法是构造 DPO 偏好对:偏好响应 yc 用真实 prompt x 生成,被拒响应 yr 用一个随机 prompt x' 生成。作者预告周三公布详情。
「研究」频道最新
- 研究揭示合成数据最优比例随算力从10%升至32% — heghbalz · 2026-10-26
- FLASH 仿真框架：单卡 RTX 5090 上分钟级学会布料折叠 — ChongZzZhang · 2026-10-26
- LEMON 监控器:从注意力图零样本识别未见过的 LLM 幻觉与越狱 — yoavartzi · 2026-10-26
- EMNLP 主题演讲背后：用语言模型「模拟学习者」生成儿童语言习得新假设 — najoungkim · 2026-10-26
- EMNLP 2026 主题演讲背后的论文：用 bigram 模拟语言习得 — najoungkim · 2026-10-26
- 把 DeepLIFT 重写为独立计算图：输入序列直接输出归因结果 — jmschreiber91 · 2026-10-26