arXiv · cs.AI· Manith Adikari, Bei Peng, Samuele Vinanzi, Angelo Cangelosi·· 8 小时前
LEMUR：用多目标强化学习从偏好反馈中学习对齐
LEMUR: Learning to Align with Multi-Objective Reinforcement Learning from Preference Feedback
arXiv:2607.29559v2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：Manith Adikari, Bei Peng, Samuele Vinanzi, Angelo Cangelosi
研究任务与主要进展
LEMUR 提出一种结合多目标强化学习与人类偏好反馈的框架，让智能体从多位人类的偏好中联合学习多目标策略和各目标的奖励模型。论文摘要称，该方法在多种多目标基准任务上优于基线方法，用于在没有预定义奖励函数时平衡相互冲突的目标；具体实验设置和结果细节未在材料中说明。
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