新智元报道编辑，LRST，新智元导读，CGPO框架通过混合评审机制和约束优化器，有效解决了RLHF在多任务学习中的奖励欺骗和多目标优化问题，显著提升了语言模型在多任务环境中的表现，CGPO的设计为未来...