标签
本文提出在可解释推荐系统中将生成与选择分离，以降低服务成本，使用冻结的候选解释池和一个小型CPU常驻选择器。它对离线池选择器进行基准测试，发现成对学习排序在F1分数上优于单动作强化学习公式，如PPO、GRPO和DPO。
TensorZero的一篇博文认为，即使是噪声很大的LLM评估器，也能用于离线的智能体选择和改进，因为通过对大量样本取平均，噪声会被抵消，从而能够可靠地对智能体进行排名。