CycleAlign: Iterative Distillation from Black-box LLM to White-box Models for Better Human Alignment
专题命中 后训练与偏好优化 :LLM(title);large language model(abstract);language model(abstract);RLHF(abstract)
AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
专题命中 后训练与偏好优化 :LLM(title);large language model(abstract);language model(abstract);RLHF(abstract)
专题命中 后训练与偏好优化 :RLHF(title,abstract);large language model(abstract);language model(abstract);分类 cs.CL、cs.AI
Comments 9 pages, working in progress
专题命中 后训练与偏好优化 :language model(title,abstract);LLM(abstract);large language model(abstract);分类 cs.CL、cs.AI
位置:完美AI对齐的复杂性——形式化RLHF三重困境
机构 * Berkeley AI Safety Initiative (BASIS), University of California, Berkeley(伯克利人工智能安全倡议(BASIS),加州大学伯克利分校) ; AWS Generative AI Innovation Center, Amazon Web Services(亚马逊网络服务生成式人工智能创新中心) ; Meta AI ; Stanford University(斯坦福大学) ; Northeastern University, Seattle, WA, USA(东北大学,西雅图,华盛顿州,美国)
专题命中 后训练与偏好优化 :RLHF(title,abstract);large language model(abstract);language model(abstract);分类 cs.LG
AI总结 研究提出RLHF三重困境,指出在安全、公平和稳健之间存在根本性权衡,并通过复杂性分析证明实现全球代表性需要超多项式计算资源。
Comments Accepted at NeurIPS 2025 Workshop on Socially Responsible and Trustworthy Foundation Models (ResponsibleFM)
专题命中 后训练与偏好优化 :language model(title,abstract);LLM(abstract,comments);preference optimization(abstract);分类 cs.CL
Comments Accepted by AAAI-2025, 16 pages, reward model, LLM Alignment, code repository at (https://github.com/e0397123/FLR)
GPT-Red:基于大规模自博弈的自动化红队测试
专题命中 后训练与偏好优化 :LLM(summary_cn,abstract);post-training(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 本研究推出GPT-Red,一种基于大规模自博弈的自动化红队测试智能体,可发现新型提示注入攻击、攻破过往模型且泛化能力强,用于提升LLM鲁棒性并形成自我改进飞轮。
Comments 28 pages.13 main pages and 13 main figures
梯度正则化减轻基于人类反馈和可验证奖励的强化学习中的奖励作弊
机构 * The University of Tokyo(东京大学) ; RIKEN AIP(理化学研究所AIP) ; Mila(蒙特利尔大学Mila)
专题命中 后训练与偏好优化 :RLHF(abstract,abstract_cn);LLM(abstract);language model(abstract);post-training(abstract)
AI总结 研究基于人类反馈或可验证奖励的强化学习中奖励作弊问题,提出用梯度正则化使训练偏向奖励更准确区域,理论推导并实证验证,还改进方法,结果显示其比KL惩罚表现更好。
Comments Accepted at ICML 2026, 25 pages, 15 figures
反对单一无线世界模型:为什么NextG需要可组合和代理智能
专题命中 后训练与偏好优化 :LLM(summary_cn);large language model(abstract);language model(abstract);foundation model(abstract)
AI总结 本文指出无线领域缺乏等同于LLM的数据基础,主张采用可组合和代理智能架构以实现可部署的AI原生网络。
Journal ref ICML 2026 Workshop on AI and ML for NextG
SPA:一种面向LLM查询重写的SQL计划感知强化学习框架
专题命中 后训练与偏好优化 :LLM(title_cn,summary_cn)
AI总结 提出SPA框架,利用物理执行反馈训练LLM重写SQL查询,通过概率门控自适应奖励塑形和策略自改进,显著提升端到端运行时性能并减少有害重写。
SWE-IF: 使代码评估与人类偏好对齐
机构 * Google DeepMind(谷歌DeepMind)
专题命中 后训练与偏好优化 :LLM(summary_cn,abstract_cn);large language model(abstract);language model(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 提出SWE-IF基准,通过可验证指令分类法VeriCode评估代码指令遵循能力,发现指令遵循是区分LLM代码质量的关键,与功能正确性结合更能匹配人类偏好。
Comments ICML 2026
BiasGRPO:通过组相对策略优化在高方差奖励景观中稳定偏差缓解
机构 * University of Illinois - Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
专题命中 后训练与偏好优化 :RLHF(abstract,abstract_cn);large language model(abstract);language model(abstract);preference optimization(abstract)
AI总结 提出BiasGRPO框架,利用组相对策略优化(GRPO)通过归一化组内奖励来稳定大语言模型的社会偏差缓解,优于DPO和PPO。
Comments Accepted to Findings of the ACL
未来KL正则化GRPO:基于f-散度正则化的过程级信用分配
机构 * University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
专题命中 后训练与偏好优化 :LLM(abstract,abstract_cn);large language model(abstract);language model(abstract);post-training(abstract)
AI总结 本文提出未来KL正则化策略优化(FRPO),通过因果未来正则化回报修正GRPO中局部KL损失缺失的梯度信号,在数学推理任务中提升pass@16并保持更高熵和更低策略漂移。
RLBFF:二进制灵活反馈用于连接人类反馈与可验证奖励
机构 * NVIDIA
专题命中 后训练与偏好优化 :LLM(abstract,abstract_cn);RLHF(abstract,abstract_cn);post-training(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 RLBFF结合人类偏好与规则验证,提升奖励模型对响应质量的精准捕捉,优于Bradley-Terry模型,在RM-Bench和JudgeBench上取得优异成绩,且支持用户自定义反馈原则。
Comments Published at ICLR 2026, 21 pages
S2H-DPO:面向视觉-语言模型的硬度感知偏好优化
机构 * Michigan State University(密歇根州立大学) ; Carnegie Mellon University(卡内基梅隆大学)
专题命中 后训练与偏好优化 :language model(title,abstract);preference optimization(title)
AI总结 本文提出S2H-DPO框架,通过三级层次推理构建多图象偏好数据,提升多图象推理性能,同时保持单图象推理能力,推动视觉偏好对齐的前沿发展。
Journal ref Findings of the Association for Computational Linguistics: ACL 2026
通过优势解耦偏好优化实现视觉语言模型的统一生成与自验证
机构 * College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院) ; Venus Team, Ant Group(蚂蚁集团 Venus 团队)
专题命中 后训练与偏好优化 :preference optimization(title,abstract);language model(title)
AI总结 ADPO通过统一生成与自验证的强化学习框架,提升视觉语言模型的验证性能和推理效率。
LSRP: 一种用于隐私保护云-设备协作的领导者-下属检索框架
专题命中 后训练与偏好优化 :LLM(abstract);large language model(abstract);language model(abstract);small language model(abstract)
AI总结 LSRP通过领导者-下属检索框架提升云-设备协作的隐私保护性能,增强云模型与设备模型的协同能力。
Comments Accepted at KDD'25
专题命中 后训练与偏好优化 :preference optimization(title,abstract);post-training(title)
Comments CVPR 2025. Project Page: https://rockeycoss.github.io/spo.github.io/
专题命中 后训练与偏好优化 :language model(title,abstract);RLHF(title)
Comments Accepted by the Doctoral and Early Career Symposium (DECS) at ICSE 2025
专题命中 后训练与偏好优化 :LLM(abstract);large language model(abstract);language model(abstract);RLHF(abstract)
专题命中 后训练与偏好优化 :LLM(abstract);large language model(abstract);language model(abstract);RLHF(abstract)
Comments 28 pages, 1 figure, 4 table
专题命中 后训练与偏好优化 :LLM(abstract);large language model(abstract);language model(abstract);RLHF(abstract)
Comments 30 pages, 38th Conference on Neural Information Processing Systems (NeurIPS 2024)
专题命中 后训练与偏好优化 :LLM(abstract);large language model(abstract);language model(abstract);RLHF(abstract)
Comments The code and model are released at https://github.com/Haoxiang-Wang/directional-preference-alignment
专题命中 后训练与偏好优化 :large language model(abstract);language model(abstract);RLHF(abstract);preference optimization(abstract)
Comments 9 pages, 9 figures
超越稳定性-探索困境:面向大语言模型策略优化的环境正则化方法
机构 * Alibaba Group(阿里巴巴集团) ; Beijing Normal University(北京师范大学) ; National University of Singapore(新加坡国立大学)
专题命中 后训练与偏好优化 :LLM(title,abstract_cn);large language model(abstract);language model(abstract);分类 cs.CL
AI总结 该研究针对大语言模型策略优化的稳定性-探索困境,提出ERPO方法,通过查询KL散度正则化输入侧分布,接入现有策略优化流水线,在数学推理基准上实现了更强准确率与更稳定行为。
Comments Accepted to EMNLP 2026 main conference
为离线强化学习未来政策近似改进数学推理
机构 * Graduate School of Data Science, Seoul National University(首尔大学数据科学研究生院)
专题命中 后训练与偏好优化 :LLM(title);large language model(abstract);language model(abstract);post-training(abstract)
AI总结 本文提出未来政策近似方法,通过估计未来策略来优化离线强化学习中的梯度更新,提升长周期推理任务的稳定性与准确性。
Comments 12 pages
从扫描到缝合:交错跨块后训练量化
机构 * Fujitsu Limited(富士通公司) ; RIKEN Center for AIP(理化学研究所先进智能项目中心) ; Tokai University(东海大学)
专题命中 后训练与偏好优化 :post-training(title,abstract);large language model(abstract);language model(abstract);分类 cs.AI
AI总结 该研究针对大语言模型的分块后训练量化,提出交错跨块量化方法,通过重新处理块边界降低量化困惑度,提升了三比特及GPTQ等量化方案的性能。
Comments 34 pages, 1 figure
控制多样化强化微调:解耦RL后训练的共享控制瓶颈
专题命中 后训练与偏好优化 :post-training(title,abstract);LLM(abstract_cn);分类 cs.LG
AI总结 本研究提出CD-RFT方法,定义后训练控制系数揭示RL后训练的共享控制瓶颈,通过正则化减少控制坍缩,在Qwen2.5-7B等模型上实现控制解耦与多任务能力提升,效果可迁移至Llama-3.2-3B。
GraphThink:用于长视距具身任务规划的图增强大语言模型思维
机构 * Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院) ; Beijing Academy of Artificial Intelligence(北京人工智能研究院) ; Tsinghua University(清华大学) ; The Hong Kong Polytechnic University(香港理工大学)
专题命中 后训练与偏好优化 :LLM(title,abstract);prompting(abstract);分类 cs.AI
AI总结 GraphThink框架结合任务图与场景图,通过上下文提示、迭代优化、GRPO奖励设计及事件驱动重规划,在ALFRED基准上实现最优性能,具强泛化能力。
ReQuant:用于训练后量化的固定网格离散细化
机构 * School of Computer Science, Peking University(北京大学计算机学院) ; School of Software and Microelectronics, Peking University(北京大学软件与微电子学院) ; School of Physics, Peking University(北京大学物理学院) ; The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)) ; Central Research Institute, ZTE Corporation(中兴公司中央研究院)
专题命中 后训练与偏好优化 :post-training(title,abstract);large language model(abstract);language model(abstract);分类 cs.AI
AI总结 ReQuant是用于训练后量化(PTQ)的无反向传播固定网格细化方法,可作为即插即用后处理阶段,提升各类PTQ初始化器生成的量化模型性能,在低位宽下增益显著。
Comments 10 pages, 3 figures, 16 tables
分布鲁棒列表偏好优化
机构 * The University of Hong Kong(香港大学) ; Yale University(耶鲁大学) ; Purdue University(普渡大学)
专题命中 后训练与偏好优化 :preference optimization(title,abstract);LLM(abstract,abstract_cn);分类 cs.AI
AI总结 针对列表偏好排序标签不确定性,提出点态全变差鲁棒Plackett-Luce目标,将内层最大化简化为排序,在离线和在线设置中均具有理论保证,实验表明能保持干净标签性能并提升噪声鲁棒性。