AI
別名
最終更新 2026年7月8日
DPO（Direct Preference Optimization）または選好最適化とは、人間の「好み」や「望ましい応答」の比較データを用いて、別個の報酬モデルや強化学習（RLHF）を省略し、AIモデルを直接最適化するアライメント手法です。安定かつ効率的にAIの出力を人間の意図に沿うよう調整できます。
Open Positions
現在この用語に直接ひもづく募集はありませんが、募集要項一覧からあなたに合うポジションを探せます。
