本文探讨了大型语言模型（LLMs）的人类偏好调整方法，比较了不同对比技术的效果，发现对比式后训练（DPO）在性能上优于传统方法。研究提出了CodeUltraFeedback数据集和CODAL-Bench基准，验证了通过AI反馈优化模型编码偏好的有效性，并介绍了新型对齐框架$i$REPO，显著提高了模型对齐效果。

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。