arXiv · cs.CL· Giuseppe Curci·· 18 小时前AI 评分47
探究 Delta 学习假设的极限：DPO 中的单对生成器偏差
Exploring the Limits of the Delta Learning Hypothesis: Single-Pair Generator Biases in Direct Preference Optimization
来源与原文
arXiv · cs.CL
作者：Giuseppe Curci
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.37058v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究从理论和实验上检验了 delta-learning 假设——用单一模型对中较大模型的回答作为偏好来训练 DPO。结果表明固定模型对会引入与生成器相关、可预测偏好标签的系统性偏差，导致单对数据训练的 DPO 一致劣于多模型偏好数据，即便大模型回答质量更高，且这种差距与针对偏差的 reward hacking 训练动态一致。仅增加生成器数量、即使不用外部 judge，也能部分缓解该效应。
来源：arXiv · cs.CL · arxiv.org