Primary Advantage Policy Optimization

新的PAPO方法在优化中保留LLM目标优先级

研究人员推出了一种新颖的方法——主要优势策略优化（PAPO），用于优化具有多个、有优先级的目标的大型语言模型（LLMs）。传统的加性奖励聚合可能导致“优势优先级反转”，即次要目标覆盖主要目标。PAPO通过不对称地组合主要和辅助优势来解决这个问题，在保留主要目标影响的同时，在辅助信号一致时利用它们。实验表明，PAPO在不牺牲次要目标上的竞争性表现的情况下，能有效实现主要目标上的卓越性能，适用于GRPO和PPO框架。