Căn chỉnh mô hình ngôn ngữ với sở thích tổng quát: Nghiên cứu thực nghiệm về Direct Nash Optimization

Direct Nash Optimization (DNO) căn chỉnh mô hình ngôn ngữ với một hàm sở thích tổng quát bằng cách xấp xỉ trạng thái cân bằng Nash của trò chơi sở thích hai người chơi. Biến thể thực tiễn DNO-Prct lặp lại việc lấy mẫu on-policy, chấm điểm mẫu bằng LLM cùng với câu trả lời chuẩn của giáo viên, rồi...