arXiv Artificial Intelligence· Tianlong Nan, Xiaopeng Li, Christian Kroer, Tianyi Lin·· 2 小时前AI 评分31
ENPO：面向迭代 Nash 偏好优化的高效探索方法
Efficient Exploration for Iterative Nash Preference Optimization
AI 导读
研究提出 Exploratory Nash Preference Optimization（ENPO），将 SFT 类正则化与对抗式策略探索结合，消除了标准迭代 NLHF 对逆 KL 正则化参数的指数依赖，且无需 minimax oracle 或显式偏好模型估计。
来源：arXiv Artificial Intelligence · arxiv.org