Interpreting Language Reward Models via Contrastive Explanations
专题命中 偏好对齐 :alignment(abstract);trustworthy(abstract);分类 cs.AI、cs.LG
Comments Accepted at ICLR 2025 conference
AI 大模型
大模型对齐、安全、越狱、红队、提示注入和可信评测。
专题命中 偏好对齐 :alignment(abstract);trustworthy(abstract);分类 cs.AI、cs.LG
Comments Accepted at ICLR 2025 conference
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.LG
Journal ref AISTATS 2025
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);trustworthy(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.CL、cs.LG
Comments 20 pages, 11 Figures
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.LG
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.AI、cs.LG
Comments This is a duplicate submission to arXiv:2310.15694, and we believe that this submission has affected the citation of our original paper arXiv:2310.15694
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
Comments 10 pages, 4 figures, and 13 tables. For the SmolTulu-1.7b-instruct model, see: https://huggingface.co/SultanR/SmolTulu-1.7b-Instruct
专题命中 偏好对齐 :RLHF(abstract);safety(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.CL、cs.LG
Comments NeurIPS 2024. Code & models: https://github.com/princeton-nlp/SimPO. v3 updates: Gemma 2 results (Appendix J); more discussions about length normalization (Section 2.2) and KL regularization (Section 2.3)
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.AI、cs.LG
Comments Accepted at the NeurIPS 2024 FITML Workshop
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.CL、cs.AI
Comments Camera ready version for EMNLP2024-Findings
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
Comments 9 pages, 4 figures
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.CL、cs.LG
专题命中 偏好对齐 :RLHF(abstract);DPO(abstract);分类 cs.CL、cs.AI
Comments 8 pages, 5 figures
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.LG
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.CL、cs.AI
专题命中 偏好对齐 :alignment(abstract);safety(abstract);分类 cs.CL、cs.LG
Comments 42 pages, 13 figures, 33 tables