2023 · Rafailov 等 / Stanford · 不单独训练奖励模型，直接用偏好数据优化
2023 年，Rafailov 等人在斯坦福提出 Direct Preference Optimization。论文从带 KL 约束的奖励最大
全文 135 字，已试读约 19%。开通专业版可阅读全文，并解锁全部官方课程与后续更新。
支持 7 天无理由退款 · 早鸟价 99 元/年（售完恢复365/年）
课程中涉及的第三方项目，其著作权与商标归各自权利人所有；引用处的署名与许可见《开源与来源说明》。