Nash Learning from Human Feedback

新的 NLHF 算法通过显式探索改进了 LLM 的对齐

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。