arXiv · AI· Yuxuan Fan, Jaehong Yoon·· 2026-10-05AI 评分22
MetaRubric:基于评分标准的强化学习奖励机制
MetaRubric: Learning to Reward for Rubric-Based Reinforcement Learning
AI 导读
MetaRubric 解决基于评分标准的强化学习中“空洞信用”问题,通过交替进行证据感知策略优化和评分标准适应,在策略优化阶段仅当响应包含充分证据时才分配信用。该方法在多个骨干模型上将 PubMedQA 准确率较静态评判 GRPO 提升 6.00 至 20.40 个百分点,并在 HealthBench-Hard 及两个多模态医疗基准上取得进一步增益。
来源:arXiv · AI · arxiv.org