arXiv · AI· Ashish Bansal, Hossam Amer, Keerat Kaur Guliani, Parinita Edke, Lesley Matheson, Leizer Teran·· 4 小时前AI 评分24
专家引导评分标准作为可验证领域外强化学习的密集奖励信号
Expert-Guided Rubrics as Dense Reward Signals for Reinforcement Learning in Non-Verifiable Domains
AI 导读
针对金融等非可验证领域，该研究利用GRPO将专家判断转化为密集奖励信号，结合检索指标形成混合训练方案。 相比稀疏奖励基线，该方法在Recall@3上提升最高达6%，MRR@3提升最高达6.7%。 有效解决密集输出场景下优化停滞问题，提升LLM代理在专业任务中的表现。
来源：arXiv · AI · arxiv.org