GPDPO: Learning from Reward Conflicts via Group Pareto-Dominance Policy Optimization

Zixuan Xu, Haoxuan Chen, Jiangxin Sun, Jian-Fang Hu

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.