uclaml/SPPO

Self-Play Preference Optimization (SPPO) の公式実装

↗ GitHub で開く

スター

589

フォーク

48

言語

Python

ライセンス

Apache-2.0

最終プッシュ

2 年前

Python deep-learning large-language-models fine-tuning rlhf self-play

関連 Intel はまだありません

このリポジトリは radar が追跡するソースにまだ登場していません。コレクターはスケジュールで動いています——このリポジトリがカバーされたらまた見てください。