GAW-PO

新的 GAW-PO 方法改进语言模型偏好优化

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…