arXiv · cs.AI· Yang Qu, Yusheng Han, Chengjia Feng, Handan Liu·· 1 天前
LSC-DPO：学习信号控制的直接偏好优化方法
LSC-DPO: Learning-Signal-Controlled Direct Preference Optimization
arXiv:2610.07592v1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：Yang Qu, Yusheng Han, Chengjia Feng, Handan Liu
研究任务与主要进展
LSC-DPO通过动态调节DPO损失中的学习信号，改进语言模型的偏好优化。作者在AlpacaEval 2、MT-Bench和Anthropic-HH实验中报告，LSC-DPO持续优于DPO及其他强偏好优化基线，并提出信号预算补偿规则以降低不同系数初始化带来的性能波动。
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