题目
偏好对齐微调（如基于人类反馈的强化学习RLHF或直接偏好优化DPO）是继指令微调之后的一个可选但重要的步骤，其主要目标是让模型的输出更符合人类的主观偏好（如更有帮助、更无害、更诚实的风格），而不是进一步提高其在特定任务上的客观准确率。A. 对B. 错
偏好对齐微调（如基于人类反馈的强化学习RLHF或直接偏好优化DPO）是继指令微调之后的一个可选但重要的步骤，其主要目标是让模型的输出更符合人类的主观偏好（如更有帮助、更无害、更诚实的风格），而不是进一步提高其在特定任务上的客观准确率。
A. 对
B. 错
题目解答
答案
A. 对