从图论的角度重新思考强化学习及高阶函数中的信息结构：奖励的概括

该研究探讨了利用强化学习从人类反馈中对大型语言模型进行微调的方法，发现强化学习从人类反馈更好地泛化到新的输入，但降低了输出的多样性。研究结果为微调方法提供了指导，并强调了改进泛化和多样性之间的权衡的必要性。