优惠 语言模型对齐方法SPPO：通过自我对弈的方式，不断迭代和优化语言模型，使其更好地符合人类的偏好和期望

加州大学洛杉矶分校的研究人员推出一种新的语言模型对齐方法，名为自对弈偏好优化（Self-Play Preference Optimization，简称SPPO）。这种方法旨在通过自我对弈的方式，不断迭代和优化语言模型，使其更好地符合人类的偏好和期望。论文中的实验结果显示，使用SPPO方法微调的模型在多个基准测试中表现出... 阅读全文