不准确 RLHF 价值观 准确的 验证 提高 奖励 未对准 廉价的 可能 方法 学习 集合 准确 一致的 有限数 采用的 模型的 训练的 合奏 学习的 未对准的 输出 人类 模型 输出的 大语