提出BoN策略评估框架

基于论文摘要，作者提出面向仅有样本访问条件的 Best-of-N 策略评估与选择框架 BoN-DR，无需获取参考模型的响应似然。作者利用得分排名概率构造双稳健估计器，并据此提出最大化估计策略价值或改进置信下界两种采样预算选择规则，后者提供无伤害保证；该框架在合成实验和 GSM8K 上进行了评估。

摘自 arXiv · cs.AI

还没有足够的连续观测数据，暂不绘制趋势。