#direct preference optimization のAIニュース

Anthropic HH-RLHF データの選好バイアス監査と DPO 微調整

Anthropic HH-RLHF データセットを用いて、TRL と LoRA で直接選好最適化（DPO）を適用するエンドツーエンドのワークフローを解説。