LEMUR：多目标偏好反馈强化学习框架

2026年10月15日，arXiv 人工智能板块出现由 Manith Adikari 等作者发表的论文，提出 LEMUR（Learning to Align with Multi-Objective Reinforcement Learning with Preference feedback）框架。据该报道，LEMUR 让智能体从多个人类偏好中交互学习最优多目标策略，可同时学习策略与多个目标专属奖励模型，使智能体在学习过程中平衡相互竞争的目标；该方法在多种多目标基准任务上优于基线，且无需预先定义奖励函数。报道称其旨在弥合多目标强化学习与偏好反馈对齐之间的空白。目前该事件仅有这一篇报道，尚无后续跟进或相互矛盾的说法，框架的具体适用条件、限制与后续验证情况均未在报道中说明。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。