arXiv · cs.AI· Muhammad Ahmed Mohsin, Muhammad Umer, Emily Fox·· 1 天前
CU-DPO用连续效用偏好优化提升大语言模型推理能力
Continuous-Utility Direct Preference Optimization
arXiv:2602.00931v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Muhammad Ahmed Mohsin, Muhammad Umer, Emily Fox
研究任务与主要进展
CU-DPO提出面向大语言模型推理的连续效用直接偏好优化框架，将二元偏好标签替换为反映细粒度推理质量的连续分数。作者报告，基于K种策略学习可获得相较二元偏好Θ(K log K)的样本复杂度提升，并在七个基础模型上将数学推理策略选择准确率从35–46%提高到68–78%，同分布下游推理最高提升6.6个百分点。该方法在代码生成和因果推理基准上也报告了持续改进，并显示出一定的分布外迁移效果。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org