DPO
DPO 简化大模型偏好训练，推理模型又把强化学习做深
DPO（直接偏好优化）通过偏好数据直接训练模型，省去奖励模型与强化学习链路；GRPO（组相对策略优化）则保留强化学习但降低算力需求。两条路线分别回应大模型训练成本高、推理能力难提升等现实问题。
返回首页
DeepSeek-R1
找到 2 篇关于此标签的文章
DeepSeek
560万美元训练成本引爆争议，蒸馏正把大模型竞争带入效率战
DeepSeek-R1把“560万美元训练成本”推到聚光灯下，也让蒸馏重新成为焦点。值得我们关心的不是一家公司是否省钱，而是大模型竞争正从一味堆算力，转向比拼知识搬运、工程效率与合规边界。