一种大语言模型的微调方法、装置、存储介质及电子设备

本说明书实施例公开了一种大语言模型的微调方法，将传统的强化学习阶段的微调训练改进为DPO训练，可将“如何选出奖励最大的响应”这种复杂的强化学习问题简化为“这个响应的奖励高还是低”这种相对简单的二分类问题，从而将大语言模型在强化学习阶段的训练复杂度降低，简化了大语言模型的微调训练，提升了微调训练的效率。