arXiv · cs.CL· Junbo Wang·· 24 天前AI 评分50
BPS：从边界失败学习提示条件偏好的双向偏好合成方法
Bidirectional Preference Synthesis: Learning Prompt-Conditioned Preferences from Boundary Failures
来源与原文
arXiv · cs.CL
作者：Junbo Wang
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/2610.04328v1
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
论文提出 Bidirectional Preference Synthesis（BPS），一种用于标准 DPO 的数据构造方法，为每个验证过的边界失败在原始提示下保留正向偏好对，并在合成的达成提示下增加反向对，使同一回复在错处被拒、在对处被选，无需改动 DPO 目标、训练奖励模型或在线采样。在 Qwen3-4B-Instruct-2507 上，BPS 保持原始侧成对排序的同时，把留出交叉锚点上的达成侧排序准确率从 6.8% 提升到 62.3%，在 Kimi-K2.6 跨教师探测下有类似变化，下游评测显示在多语言多轮指令遵循上与 Forward-DPO 分离最明显。论文共 18 页，链接 https://arxiv.org/abs/2610.04328v1。
来源：arXiv · cs.CL · arxiv.org