研究人员推出了一种新颖的语言模型偏好优化方法 GAW-PO，该方法改进了直接偏好优化 (DPO) 方法。与对拒绝响应中的所有 token 应用统一惩罚的标准 DPO 不同，GAW-PO 根据 token 与首选响应的梯度方向的对齐情况，重新加权这些 token。该技术选择性地降低了支持期望行为的 token 的惩罚，从而在数学、推理、编码和问答等各种基准测试中提高了性能。与标准 DPO 相比，GAW-PO 在应对激进的优化设置时也表现出更强的鲁棒性。 AI
影响 通过在偏好优化过程中更好地为单个 token 分配权重，该方法有望实现更高效、更有效的语言模型训练。
排序理由 该集群包含一篇详细介绍语言模型优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
