IXThinker·2026-05-18 22:00

標量回饋對齊新方法　無需構造偏好對訓練

新加坡國立大學團隊提出閾值引導優化方法TGO，直接以單樣本標量評分對齊視覺生成模型：從分數分佈估計閾值，高於者視為準正樣本、低於者為準負樣本，無需成對偏好數據，更貼近真實標註場景。

偏好對之困

RLHF與DPO等主流對齊方法都要求反饋成對出現，但真實標註場景多為單個樣本的分數；構造成對數據成本高、利用率低，長期制約對齊訓練的實用性。