Awesome RL with Human Feedback / 2026 / OpenReview

PS-PPO : Prefix-Sampling PPO for Critic-Free RLHF

作者：Doo Hwan Hwang, Kee-Eung Kim · 来源：OpenReview · 发布日期：2026

偏好学习训练稳定性策略优化策略梯度人类反馈强化学习样本效率
新标签打开 PDF
未获取到公开可用关键图
在线论文 PDF（可滚动查看）