通过对比技术和数据课程学习方案，多种模型可用于人类偏好调整的重要步骤。对比式后训练提高了大型语言模型的性能。

该研究探索了对大型语言模型进行人类偏好调整的重要步骤，使用多种模型自动构建偏好对比，并运用对比式后训练方法。研究比较了不同对比技术，发现DPO提供了一个阶跃式的改进。研究还探索了一种数据课程学习方案用于对比式后训练，进一步提高了对齐性。最后，研究使用更多数据和大型模型进行训练，发现对比式后训练进一步提高了模型性能。