arXiv · ML· Weichu Xie, Haozhe Zhao, Wenpu Liu, Yongfu Zhu, Liang Chen, Minghao Ye, Zirong Chen, Yuqi Xu, Shuai Dong, Ziyue Wang, Xinbo Xu, Kean Shi, Ruoyu Wu, Xiaoying Zhang, Wenqi Shao, Baobao Chang, Nan Duan, Jiaqi Wang·· 1 天前AI 评分40
SRaR：基于逐步评分标准的LLM推理强化学习方法
Step-wise Rubric Rewards for LLM Reasoning
AI 导读
SRaR 提出通过 LLM 裁判分配评分标准至推理步骤，并结合逐步与结果奖励优化模型推理。 该方法是 NeurIPS 2026 论文，使用 16K 问题数据集，在 Qwen3-8B-Non-Thinking 等模型上平均准确率提升 3.57 和 2.75 分，AIME 2025 忠实推理率升至 46.7%。
来源：arXiv · ML · arxiv.org