#bandit反馈

训练分类头时只有“选了但对不对”这种反馈怎么办？这篇论文给出 CAPS 方法，比只学确认样本强不少，还把代码和适配器全开源了。做 RLHF 之外反馈学习或部署校准的工程师值得仔细看实验设计。