SAW: Ponderación Dinámica por Etapas para RL Multiobjetivo en LLMs
Mejora el alineamiento de LLMs con SAW, ponderación dinámica que optimiza el aprendizaje multiobjetivo sin apenas coste computacional.
#gdpo
GD²PO: Mitigando conflictos multi-recompensa en RL
Descubre GD²PO, un nuevo método que resuelve conflictos multi-recompensa en RL, mejorando la eficiencia del entrenamiento de LLMs con filtrado dinámico de