Online Distributionally Robust LLM Alignment via Regression to Relative Reward

发布

2026年04月20日

采集 2026年04月20日 06:45

学术前沿 6.3 分 — DRO-REBEL addressing overoptimization in offline RLHF

评分 6.3 · 来源：cs.LG updates on arXiv.org · 发布于 2026-04-20

评分依据：DRO-REBEL addressing overoptimization in offline RLHF