RVPO：基于方差正则化的风险敏感对齐框架

论文提出 Reward-Variance Policy Optimization (RVPO) 框架，通过惩罚奖励方差来解决无 Critic RLHF 方法中约束被忽略的问题，将优化目标从最大化总和转变为最大化一致性。