可控偏好优化：朝着可控的多目标对齐
原文中文，约300字，阅读约需1分钟。发表于：。通过引入可控偏好优化（CPO），我们可以实现模型响应满足不同目标需求的对齐模型，并在多目标对齐中获得 Pareto 改进。
提出了Preference Ranking Optimization（PRO）策略，将人类偏好排名应用于语言模型生成的响应的概率排名，实现了LLMs与人类价值观的对齐。PRO优于现有对齐算法，与ChatGPT和人类响应相当。长、多样化、高质量的偏好排名序列稳定提高LLMs与人对其的对齐性能。
