文章核心总结与翻译一、主要内容本文聚焦大语言模型（LLM）对齐中基于人类反馈的强化学习（RLHF），针对人类反馈异质性和奖励模型不确定性两大核心问题展开研究。提出异质偏好框架，联合建模答案的潜在奖励与人类理性，通过交替梯度下降算法求解双凸优化问题；建立估计量的收敛性和渐近分布等理论保证，构建奖励估计的置信区间；将不确定性量化结果应用于奖励的统计比较和最优N选1（BoN）策略优化，提出悲观BoN（pBoN）策略；通过大量模拟实验和真实LLM数据验证方法的有效性。二、创新点方法创新：设计异质理性模型捕捉人类专业水平差异，提出交替梯度下降算法，实现奖励模型与人类理性模型的联合学习。理论创新：证明算法的收敛性，推导估计量的渐近分布，为奖励模型提供严格的不确定性量化，建立悲观BoN策略的次优性边界。应用创新：将不确定性量化融入奖励差异的假设检验，实现LLM输出的统计严谨比较；优化BoN策略，通过奖励下界提升决策鲁棒性。三、关键部分翻译（Markdown格式）Abstract我们研究用于大语言模型（LLM）对齐的奖励模型的估计与统计推断问题。LLM对齐的核心技术是基于人类反馈的强化学习（RLHF）——人类对模型生成的答案对进行比较，其偏好被用于训练奖励模型。然而，人类反馈