最近の更新
DPO 7
- 論文解説: AlphaZero着想のMCTS反復選好学習でLLM推論を強化 25/05/2026
- 論文解説: SPIN — Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models 27/04/2026
- 論文解説: Direct Preference Optimization (DPO) — 報酬モデル不要のLLMアライメント手法 29/03/2026
- 論文解説: 人間フィードバックによる動画生成の改善 - Flow-DPO/Flow-NRGの統合フレームワーク 11/03/2026
- 論文解説: Prompt-A-Video - 選好整合LLMによる動画拡散モデルのプロンプト最適化 11/03/2026
- 論文解説: VPO - プロンプト最適化によるText-to-Videoモデルのアラインメント 11/03/2026
- 論文解説: CHASE-SQL — マルチパス推論×DPO候補選択でBIRDベンチマーク73.0%を達成したText-to-SQL 23/02/2026