斯坦福研究：语言模型可视作Q函数

斯坦福大学团队的研究表明语言模型可以被视为一个Q函数，并通过DPO模型灵活地建模密集奖励函数。实验结果显示DPO模型在识别和分配奖励上表现出色，为强化学习和RLHF在语言模型中的应用提供了新的可能性。
来源：https://mp.weixin.qq.com/s/Mz_k5ensgiuXu-3cFQ1Dkw