Meta FAIR、加州大学伯克利分校和纽约大学的研究人员提出了一种思维偏好优化（TPO）方法，旨在提高大语言模型（LLM）在指令微调中的响应质量。与传统模型不同，TPO鼓励模型在回应前进行内部思考，从而生成更准确的答案。该方法结合了改进的思维链推理，优化了模型的思维过程，提升了响应的相关性和质量，适用于多种复杂任务。