PulseAugur
中
实时 11:12:56
English(EN) S-SPPO: Semantic-Calibrated Self-Play Preference Optimization

新的S-SPPO框架增强了大型语言模型与人类偏好的对齐

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为S-SPPO的新框架，旨在提高大型语言模型与人类偏好的对齐度。该方法通过引入语义校准来解决先前自玩偏好优化技术中的不稳定性问题。S-SPPO利用监督校准根据语义重叠调整胜率目标，并利用表示校准来维持模型输出的多样性，理论上确保收敛到纳什均衡。在实践中，S-SPPO在AlpacaEval 2.0基准测试中使用Llama-3-8B模型，表现出性能提升，在无需额外人工标注偏好的情况下获得了更高的胜率。 AI

影响 引入了一种改进大型语言模型对齐的新方法，有望带来更可靠、更符合人类期望的人工智能行为。

排序理由 这是一篇详细介绍大型语言模型对齐新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xiwen Chen, Wenhui Zhu, Jingjing Wang, Peijie Qiu, Zhipeng Wang, Huayu Li, ZhengXiao He, Xuanzhao Dong, Prayag Tiwari, Mingkun Xu, Yujian Xiong, Feng Luo, Abolfazl Razi, Brendan Hogan Rappazzo, Anderson Schneider, Yuriy Nevmyvaka ·

    S-SPPO: Semantic-Calibrated Self-Play Preference Optimization

    arXiv:2606.01561v1 Announce Type: new Abstract: Aligning Large Language Models (LLMs) with human preferences is often formulated via Direct Preference Optimization (DPO). However, the standard Bradley-Terry instantiation of DPO is limited in modeling common departures from transi…

相关实体

相关话题