如何从 KL 约束的强化学习目标推导 DPO 目标？

知识专题：偏好对齐题目类型：原理机制技术难度：深入相关面经：1 篇

暂无参考答案

未标记

本题目录

相关面经

1 篇

百度

大模型算法工程师

2026-07-16一面

查看原面经 →

DPO 的目标函数是如何从 KL 约束的强化学习目标推导出来的？