.png){kind=icon}
返回
Reward-guided direct preference optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.130295.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 分析了SFT和DPO中选中与拒绝响应的似然变化。
• 提出了一种动态切换方法以平衡似然与排序目标。
• RG-DPO在偏好学习中优于DPO。
• 提出的算法在HH-RLHF和TLDR数据集上取得了有竞争力的性能。
Keyword:
Alignment
Large language model
Preference optimization
Natural language processing
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
.png){kind=icon}
