标签
RLCD被解释为一种基于模式的Plackett–Luce目标函数，它推进了奖励建模从标量奖励到成对偏好再到多路校准决策，简化了对Jev的理解。
本文提出了MoPLEx算法，用于学习Plackett-Luce模型的混合体以处理AI对齐中的异构偏好，相比基线方法展示了聚类和排序准确率的提升。
本文提出一种用于LLM对齐的分布鲁棒列表级偏好优化方法，处理排序标签不确定性，具有可处理的目标函数和强收敛性保证。