on-policy-data

#on-policy-data

更少数据，更好对齐：数据驱动的多评估者一致性偏好优化

arXiv cs.AI ↗ · 2026-07-29 缓存

本文介绍了DMAPO，一种偏好优化方法，利用多评估者共识来选取高置信度的在策略响应，以显著更少的数据（仅3.45%的接受率）实现强对齐，并在多个基准测试中优于SimPO等基线。

0 人收藏 0 人点赞