CU-DPO：连续效用直接偏好优化框架，策略选择准确率提升至 68-78%

CU-DPO 用连续分数替代二元偏好标签，将模型对齐到多种基于提示词的认知策略组合。在数学推理基准上，该方法将七个基座模型的策略选择准确率从 35-46% 提升至 68-78%，分布内数据集下游推理最高提升 6.6 分，并在代码生成与因果推理基准上取得一致增益。该框架已入选 EMNLP 2026。