arXiv · NLP· Gaotang Li, Bhavana Dalvi Mishra, Zifeng Wang, Jun Yan, Yanfei Chen, Chun-Liang Li, Long T. Le, Rujun Han, George Lee, Hanghang Tong, Chen-Yu Lee, Tomas Pfister·· 8 小时前AI 评分45
RubricEM：超越可验证奖励的基于评分标准的元强化学习策略分解
RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards
AI 导读
研究者提出 RubricEM 框架，结合阶段级信用分配与基于反思的元强化学习，用于训练深度研究智能体。 框架通过监督微调植入评分标准引导的结构，使用 Stage-Structured GRPO 优化任务策略，并异步训练共享骨干的反思元策略以复用经验。 RubricEM-8B 模型在四个长文研究基准上超越更大规模的现有开源模型，性能接近专有系统。
来源：arXiv · NLP · arxiv.org