APO方法实现数据稀缺下的个性化对齐

2026年10月7日，AGI Hunt 报道了一种面向数据稀缺场景的个性化对齐方法 APO（近似帕累托最优）。报道称，该方法先按“更新方向兼容性”对用户进行分组，再在组内用梯度下降与受控上升协调相互竞争的目标，从而逼近组内的帕累托前沿。在 Fed-ChatbotPA 和 UltraFeedback 两个数据集上，APO 仅使用 20 条本地样本即一致优于现有方法，并可通过少量本地更新进一步精化。理论部分给出了单步本地协作更新的条件次优界。截至目前，该报道未说明 APO 的代码或模型是否开源，也未披露与其他方法在同一设置下的完整对比细节，后续进展有待观察。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。