研究者发布多奖励策略优化方法GPDPO论文

研究者Zixuan Xu在arXiv（编号2610.35480）发布多奖励策略优化方法GPDPO论文。该方法从冲突过滤后的rollout中恢复成对监督信号，将样本响应间的Pareto支配关系转化为辅助偏好信号，与原策略目标联合优化，无需额外采样或奖励评估即可复用rollout。 论文称，在API-Bank上跨多模型规模与奖励配置的实验中，GPDPO持续优于竞争性多奖励优化基线，并降低组相对与成对奖励冲突。代码将开源发布。

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。