TPO 提出了一种在推理时通过文本反馈迭代优化 LLM 输出以对-20250124054013

TPO 提出了一种在推理时通过文本反馈迭代优化 LLM 输出以对齐人类偏好的创新框架，令人惊讶地发现未经对齐的模型通过少量测试时优化步骤即可超越训练时对齐的模型，揭示了利用 LLM 内在能力进行高效、轻量级偏好对齐的新途径。