BriefGPT - AI 论文速递 · 2024-11-06T00:00:00Z

Self-Consistent Preference Optimization

📝

内容提要

该研究提出自一致偏好优化（ScPO）方法，旨在解决自对齐技术在复杂推理任务中的奖励分配问题。ScPO通过无监督训练提升一致答案的质量，显著改善传统奖励模型的表现。

🏷️

标签

传统奖励模型 复杂推理 奖励分配 无监督训练 自一致偏好优化