概念
别名：Direct Preference Optimization
直接偏好优化训练方法
已跟踪 8 条高相关材料
最近变化
2026-08-05 · DeepSeek V4 Flash 0731 可通过 Fireworks API 进行 SFT/DPO/RL 训练
为什么值得关注
DPO 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
DeepSeek V4 Flash 0731 is ready to fine-tune on Fireworks. Run SFT, DPO, and RL training jobs on th...
Fireworks AI(@FireworksAI_HQ) · 8.5 分
Fireworks AI 现已支持 DeepSeek V4 Flash 0731 模型的微调训练，提供 SFT/DPO/RL 三种训练方式，适用于编码代理和高并发场景，成本较传统方案降低 70%。
Understanding Alignment in Multimodal LLMs: A Comprehensive Study
Apple Machine Learning Research · 8.5 分
苹果提出多模态大模型对齐新方法BDHS，无需额外标注即可提升模型性能，揭示离线与在线对齐方法结合的有效性。
How LLMs Learn to Be Helpful (RLHF vs DPO)
ByteByteGo Newsletter · 8.5 分
本文对比RLHF与DPO两种方法，揭示大语言模型如何通过偏好学习提升帮助性，解析训练三阶段及技术局限性。
已收录 8 条与 DPO 相关的内容，按评分排序。
Fireworks AI 现已支持 DeepSeek V4 Flash 0731 模型的微调训练，提供 SFT/DPO/RL 三种训练方式，适用于编码代理和高并发场景，成本较传统方案降低 70%。
入选理由：DeepSeek V4 Flash 0731 可通过 Fireworks API 进行 SFT/DPO/RL 训练
苹果提出多模态大模型对齐新方法BDHS，无需额外标注即可提升模型性能，揭示离线与在线对齐方法结合的有效性。
入选理由：BDHS方法通过偏差驱动幻觉采样，无需外部模型或人工标注
本文对比RLHF与DPO两种方法，揭示大语言模型如何通过偏好学习提升帮助性，解析训练三阶段及技术局限性。
入选理由：模型训练分三阶段：预训练、监督微调（SFT）、偏好教学（RLHF/DPO）
Fireworks AI 现在支持 Kimi 2.7 的完全可训练，提供低成本构建竞争模型的方案。
入选理由：Kimi 2.7 可通过 Fireworks AI 进行 SFT、DPO 和 RL 训练。
This article introduces Direct Preference Optimization (DPO) technology, which optimizes text generation by using rejection pairs from the model's own failures, significantly reducing text degradation rates. DPO is particularly effective in OCR tasks, as it can serve as a direct mitigation tool for specific failure modes without relying on subjective human judgments.
入选理由：DPO技术通过使用模型自身失败时产生的拒绝对来优化文本生成，显著减少了文本退化率。
Fireworks AI 平台正式支持智谱 GLM 5.1 模型，提供 SFT/DPO 微调能力、200K 超长上下文窗口，专为长周期智能体编程微调优化，RL 训练即将上线。
入选理由：GLM 5.1 已集成至 Fireworks AI 托管与 API 训练工作流
Fireworks AI 宣布 Qwen 3.5 正式接入其训练平台，支持 SFT/DPO/RLHF 等全栈微调方式、256K 上下文及 LoRA/全参微调。
入选理由：Qwen 3.5 已上线 Fireworks AI 训练平台，覆盖托管与 API 两种工作流
Fireworks AI 扩展其训练平台，支持 Nemotron 3 Ultra 模型的微调和 DPO 训练。
入选理由：Nemotron 3 Ultra 现在支持 SFT 和 DPO 训练。
