RePO: جایگزینی بیشینهسازی پاداش با کمینهسازی حسرت در همراستاسازی LLMها
چارچوب RePO هدف همراستاسازی مدلهای زبانی را از بیشینهسازی پاداش به کمینهسازی حسرت تغییر میدهد. این رویکرد با مدلسازی ترجیحات انسانی به عنوان زیربهینگی نسبی، عملکرد مدلها را…











