跳到正文
arXiv · ML· Michael Tian-Yue Liu, Anne Harrington, Trevor Darrell, Yutong Bai·· 2026-10-16AI 评分26

RaRE 提出集成判官策略,优化 Rubrics as Rewards 强化学习训练

Judging the Judges: Confidence and Disagreement in Rubrics as Rewards

AI 导读

研究者提出 RaRE 策略,通过软 Likert 奖励和分歧掩码优化 Rubrics as Rewards 训练。 在 Qwen3-4B-Base 上,RaRE 在 HealthBench 和 GPQA Diamond 上均优于单一判官变体,继承各判官互补优势。 该研究确立了判官集成作为提升 RaR 性能的关键方向。

来源:arXiv · ML · arxiv.org