Fine-tune Llama 2 with DPO

En 3 lignesHugging Face publie un guide pour affiner Llama 2 avec DPO (Direct Preference Optimization). La méthode permet d'aligner le modèle sur les préférences utilisateur sans récompense explicite, réduisant les coûts computationnels par rapport aux approches RLHF traditionnelles.

Résumé généré par Claude — vérifié par l'humain