熱點事件持續更新
AI模型對齊方法及訓練流程
1 篇報道1 個報道來源4 小時前更新
先了解這件事
AI 綜述
2026-10-29，阿里雲開發者社區刊出「第 03 篇：對齊時代——讓模型「被馴服」」，介紹 AI 模型對齊方法。文章指出，對齊可透過人類偏好、原則清單或偏好數據，令模型回答更有用且安全，以彌補預訓練目標與人類需求之間的落差。文中回顧 InstructGPT 的 RLHF 流程，包括 SFT、獎勵模型 RM 和 PPO；亦介紹 Constitutional AI，讓模型按照原則自我批評及修訂。文章接着提及 2023 年的 DPO，指出它以偏好數據取代獨立獎勵模型和 PPO，並銜接介紹 DeepSeek 的 GRPO。
AI 根據報道生成 · 4 小時前更新
最新進展10月29日 14:54
文章由 DPO 銜接介紹 DeepSeek 的 GRPO。報道時間線
沿着報道，瞭解事件的不同側面。
10月29日
- 阿里雲開發者社區 AI第 03 篇：對齊時代——讓模型「被馴服」
對齊透過人類偏好、原則清單或偏好數據，讓模型的回答更有用且安全，彌補預訓練目標與人類需求之間的落差。InstructGPT 的 RLHF 流程包括 SFT、獎勵模型 RM 和 PPO；Constitutional AI 讓模型按原則自我批評及修訂。2023 年的 DPO 以偏好數據取代獨立獎勵模型和 PPO，文章亦銜接介紹 DeepSeek 的 GRPO。
本事件熱度走勢
當前熱度 9·可比範圍峯值 10（10月29日 15:00）·近 24 小時可比範圍變化 –
趨勢僅比較持續完整觀測到的相同主體，範圍可能小於當前熱度統計。移動指針或點擊圖表查看每小時熱度；鍵盤可用左右方向鍵切換。