PLC-DPO：在噪声与模糊偏好优化中的后验标签校正

针对 DPO 假设所有偏好标签可靠的问题，研究者提出 PLC-DPO，利用校准后的策略-参考模型 margin 作为在线证据，将每对样本的训练信号分流为干净、翻转或平局三类，主动校正监督方向与强度。在 57 个数据集-模型-基准组合中，PLC-DPO 对 DPO 的平均胜率达 60.5，优于次优方法的 55.5。该工作为 EMNLP 2026 Findings，代码已开源。