Q-SFT：通过监督微调实现的语言模型Q学习

本研究针对现有价值基础的强化学习（RL）在多轮任务中难以扩展的问题，提出了一种新颖的离线RL算法，将Q学习视为修改后的监督微调（SFT）问题。这种方法能够有效利用语言模型的预训练优势，并在各种任务中展现出良好的性能，具有潜在的应用价值。