跳转至

Read this paper write-up in English

GAW-PO: Preference Optimization with Gradient-Aligned Token Weights

复现级别：L1 核心机制诊断。 执行梯度对齐权重；未进行 LoRA/DPO 训练。

论文信息

字段 内容
论文链接 arXiv v1
公司/机构 National University of Science and Technology POLITEHNICA Bucharest（按第一作者署名单位）
首次公开日期 2026-10-01（arXiv v1）
原文开源代码 否：截至 2026-10-03 未找到原作者公开实现
Adapter gaw-po
本地复现代码 src/auto_research/post_training/latest_20261003.py

原始论文总结

背景与主要改动

用拒绝 token 梯度与 preferred update direction 的对齐度调节负权重；越支持优选行为的 token 越少受罚。

flowchart LR
  I[输入与当前状态] --> M[gaw-po 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或状态更新]

原论文关键图

GAW-PO: Preference Optimization with Gradient-Aligned Token Weights 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(w_t=1-[cos(g_t,g_+)]_+\)。

论文离线与线上效果

11 个数学、推理、代码和 QA benchmark 平均优于 DPO 0.97 点。

本地复现

本地对照口径：基线为机制关闭或默认状态，实验组执行定义性算子；L1 不报告正式相对提升，百分比不适用。

复现边界

执行梯度对齐权重；未进行 LoRA/DPO 训练。