現在有許多方法可以使大型語言模型（LLM）與人類偏好保持一致。以人類反饋爲基礎的強化學習（RLHF）是最早的方法之一，並促成了ChatGPT的誕生，但RLHF的成本非常高。與RLHF相比，DPO、IPO和KTO的成本明顯更低，因爲它們不需要獎勵模型。
雖然DPO和IPO的成本較低，但它們仍需訓練兩個不同的模型。首先是監督微調（SFT）步驟，即訓練模型按指令回答問題，然後使用SFT模型作爲初始化和參考，以使模型與人類偏好一致。
ORPO是另一種新的LLM對齊方法，這種方法甚至不需要SFT模型。通過ORPO，LLM可以同時學習回答指令和滿足人類偏好。
在本文中，我將解釋ORPO並介紹其相關的內容，最後將展示如何使用消費級硬件將Mistral 7B轉換爲聊天模型。
https://avoid.overfit.cn/post/100de526ac3c4ba2b01f591ba6d0e435