PbRL | B-Pref：生成多样非理性 preference，建立 PBRL benchmark

贡献：提出a56爆大奖在线娱乐生成非理性（模拟人类）preference 的方法，使用多样化的 preference，评测 PBRL 各环节算法设计（select informative queries、feedback schedule）的效果。