一、文章主要内容总结该研究聚焦于大型语言模型（LLMs）的多目标对齐问题，核心挑战是解决现有方法依赖人工指定偏好权重、用户负担重且训练效率低的痛点。为此，提出了名为PRO（Preference Orchestrator）的轻量级框架，通过一个偏好适配器自动推断与提示词相关的偏好权重，实现提示词感知的多目标对齐。研究背景：LLMs在文本生成、对话交互等任务中表现突出，但多目标对齐（如兼顾帮助性、安全性、诚实性）仍面临挑战。现有方法（如MORLHF、REWARD SOUPS）需人工设置偏好权重或随机采样权重，导致用户操作复杂、训练资源浪费。核心设计：偏好适配器：以输入提示词为输入，输出多目标的权重向量（满足非负且和为1的约束），无需人工干预。训练机制：利用人类偏好数据中“优选响应”的多维度奖励分数，通过归一化和KL散度损失训练适配器，使其学习提示词与最优偏好权重的映射关系。灵活集成：可作为插件模块与现有多目标对齐方法（如MORLHF、RIC）结合，适配训练阶段和测试阶段的不同需求。理论与实验验证：理论证明：在满足奖励函数连续性、目标强凸性等假设下，PRO的自适应权重机制比固定权重方法的对齐差距更小，且数据量足够时可接近最优性能。实验结果：在Reddit Summary、Helpful Assistant、Ultrafeedback等数据集上，P
一、文章主要内容总结该研究聚焦于大型语言模型（LLMs）的多目标对齐问题，核心挑战是解决现有方法依赖人工指定偏好权重、用户负担重且训练效率低的痛点。为此，提出了名为PRO（Preference Orchestrator）的轻量级框架，通过一个偏好适配器自动推断与提示词相关的偏好权重，实现提示词感知的多目标对齐。研究背景：LLMs在文本生成、对话交互等任务中表现突出，但多目标对齐（如兼顾帮助性、安全性、诚实性）仍面临挑战。现有方法（如MORLHF、REWARD SOUPS）需人工设置偏好权重或随机采样权重，导致用户操作复杂、训练资源浪费。核心设计：偏好适配器：以输入提示词为输入，输出多目标的权重向量（满足非负且和为1的约束），无需人工干预。训练机制：利用人类偏好数据中“优选响应”的多维度奖励分数，通过归一化和KL散度损失训练适配器，使其学习提示词与最优偏好权重的映射关系。灵活集成：可作为插件模块与现有多目标对齐方法（如MORLHF、RIC）结合，适配训练阶段和测试阶段的不同需求。理论与实验验证：理论证明：在满足奖励函数连续性、目标强凸性等假设下，PRO的自适应权重机制比固定权重方法的对齐差距更小，且数据量足够时可接近最优性能。实验结果：在Reddit Summary、Helpful Assistant、Ultrafeedback等数据集上，P
