研究人员开发了一种新的纳什人类反馈学习 (NLHF) 算法，该算法解决了当前使大型语言模型与人类偏好对齐的方法的局限性。所提出的算法明确地纳入了探索以改进遗憾界限，实现了理论上的 $O(\sqrt{T})$ 遗憾，并在有预言机的情况下实现了改进的 $O(\log(T))$。该方法在 Llama-3-8B-Instruct 上进行了测试，与现有的 NLHF 基线相比，表现有所提升。 AI
影响 引入了一种更强大的方法来使 LLM 与复杂的人类偏好对齐，有可能改善模型的行为和安全性。
排序理由 详细介绍 LLM 对齐新算法的学术论文。[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 →