两篇新研究论文介绍了用于将大型语言模型(LLM)和视觉语言模型(VLM)与多样化用户偏好对齐的组相对策略优化(GRPO)框架的变体。第一篇论文《个性化GRPO》(P-GRPO)通过将优势估计与批次统计解耦,解决了标准GRPO压制少数派偏好的问题,从而实现了更快的收敛和与异构信号更好的对齐。第二篇论文《受限GRPO》通过使用基于拉格朗日的方法并将标准化优势标量化而非奖励,将GRPO扩展到安全关键领域,从而提高了约束依从性和稳定性。 AI
影响 这些GRPO变体可能带来更细致、更安全的AI模型,能更好地适应个体用户需求和约束。
排序理由 两篇介绍LLM对齐新方法的学术论文。
- arXiv
- Constrained GRPO
- Group Relative Policy Optimization
- Hugging Face
- Jialu Wang
- large-language models
- Personalized GRPO
- Reinforcement Learning with Human Feedback
- Rodrigue De Schaetzen
- Vision--Language Models
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →