对齐与安全

基于人类反馈的强化学习训练有益且无害的助手

2022 · 被引 417

大型视觉语言模型中的幻觉检测与预防

2024 · 被引 157

基于人类反馈的强化学习的未解决问题与根本局限

2023 · 被引 100

RLAIF与RLHF：利用人工智能反馈扩展基于人类反馈的强化学习

2023 · 被引 87

基于人类反馈的强化学习研究综述

2023 · 被引 43

安全RLHF：基于人类反馈的安全强化学习

2023 · 被引 32

价值对齐的挑战：从更公平的算法到人工智能安全

2021 · 被引 13

基于变分偏好学习的个性化人类反馈强化学习

2024 · 被引 12

基于好奇心驱动的人类反馈强化学习

2025 · 被引 5

基于人类反馈的强化学习

2025 · 被引 5