CONCUR：多任务多奖励RL优势估计器

Jixuan Leng 等作者提出优势估计器 CONCUR，用于多任务、多奖励的大语言模型强化学习训练。其做法是把各门控辅助奖励的标准化分数替换为满足两个条件的最接近分数：主奖励更高的回答不能得到更低分数，处于主奖励上限的回答得到相同分数。据作者表述，这一设计用于避免辅助奖励反转主奖励的排序。 该方法是 arXiv cs.CL 上的论文，报道未给出实验效果或应用结果。

AI 根据报道生成 · 31 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。