#偏好优化

研究人员提出PLC-DPO，能校正噪声偏好数据，在57个测试单元中胜率超DPO 5个百分点。

Fireworks给DeepSeek V4 Flash加了全套微调，监督、偏好、RL都能用，专为编码场景设计，快去试试。

Fireworks AI@FireworksAI_HQ2 个信源在谈原文

DrPO 解决了单步生成模型偏好微调的核心痛点——无需可微奖励或复杂去噪轨迹，做文本到图像生成的团队可以直接用黑箱奖励提升模型对齐度，训练效率还提升了3倍多，值得关注。

做文本到图像生成的团队终于有了更稳定的对齐方法——Linear-DPO 统一了扩散和流匹配，解决了 DPO 在生成任务中的目标不匹配问题，做图像生成微调的建议试试。

做LLM对齐和强化学习的团队终于有了一个能同时处理开放式任务和持续探索的框架——GPRL用多维偏好结构解决了奖励黑客问题，值得关注其实际效果。