動態獎勵與提示優化實現語言模型的免調優自我校準

本文提出了一種名為「動態獎勵與提示優化」（DRPO）的新方法，無需微調或人工標註，即可實現大型語言模型的自我校準，並在多個基準測試中展現出超越微調模型的效能。