DPO - Direct Preference Optimization
Học từ cặp chosen/rejected, so sánh log-prob với reference model
Phím tắt: ←/→ từng bước · Space tự chạy/tạm dừng
Học từ cặp chosen/rejected, so sánh log-prob với reference model
Phím tắt: ←/→ từng bước · Space tự chạy/tạm dừng