NeurIPS 2025 接收双重鲁棒 RLHF 对齐算法

2026 年 10 月 28 日，arXiv cs.AI 方向发布论文《大语言模型的双重鲁棒对齐方法》，作者为 Erhan Xu 等。该工作针对 RLHF 中偏好模型、参考策略或奖励函数误设导致性能敏感的问题，提出双重鲁棒偏好优化算法。 算法核心特点是：只要偏好模型或参考策略中任意一个正确设定即可保持一致性，不要求两者同时准确。文中称理论与实验均证实其性能优于当前最先进算法，并对模型误设更具鲁棒性。 该成果已被 NeurIPS 2025 接收，相关代码已公开，论文同时作为一手资料发表于 arXiv。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。