Newest papers

Answering in the User's Variety: Calibrated Accommodation Pairs for Post-Training

Zhizhuo Kou, Heming Li, Jian Yang, Junyu Luo, Jingshu Peng, Sirui Han, Yike Guo · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28474 · open-access PDF

Hindi

लोग अनुकूलित करते हैं कि वे उनके सामने वाले व्यक्ति से कैसे बात करते हैं. हालांकि, चैट मॉडल सामान्य अंग्रेजी में जवाब देने की प्रवृत्ति रखते हैं, जो उपयोगकर्ता द्वारा उपयोग की जाने वाली भाषण पर निर्भर करता है. एक समान जवाब यह छिपा सकता है कि क्या प्रशिक्षण इन उपयोगकर्ताओं को समान रूप से व्यवहार करता है, और आउटपुट ऑडिट भी नहीं बता सकता है. हम ट्रैक करते हैं कि प्रशिक्षण के बाद हर चरण, पर्यवेक्षित फिनिंग (एसएफटी) से प्राथमिकता अनुकूलन (डीपीओ) और मजबूत सीखने तक, मॉडल के उपयोगकर्ता के अनुरूप होने की प्रवृत्ति को बदलता है, और पढ़ते हैं कि प्रत्येक अद्यतन दो सामग्री के अनुरूप जवाबों से क्या पसंद करता है, एक जो उपयोगकर्ता के अनुरूप है और एक

Machine translation (Meta M2M100); the English original follows.

Abstract

People adapt how they talk to the person in front of them. However, chat models tend to respond in Standard English regardless of the dialect used by the user. A uniform answer can hide whether training treats these users alike, and output audits cannot tell as well. We trace how each post-training stage, from supervised fine-tuning (SFT) to preference optimization (DPO) and reinforcement learning, changes a model's tendency to match the user, and read what each update prefers from two content-matched replies, one matching the user and one not. Across 10 open model lineages, post-training stan

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange