DPO。与最短拒绝采样类似，团队人员利用 Long CoT 模型生成多个响应样本。并选择最短的正确解决方案作为正样本，而较长的响应则被视为负样本，包括错误的较长响应和正确的较长响应。这些正负样本对构成了用于 DPO 训练的成对偏好数据。

世界上最著名的此类飞机无疑是英国的霍克·西德利“鹞式”（Hawker Siddeley Harrier），有著名也有非著名，这个应该是雅克-38。然而，“鹞式”的出现并非凭空而来，在其诞生之前，已经有多架实验机为其铺平了道路。下面要介绍的便是其中之一 ...