跳到正文
arXiv · NLP· Tianci Liu, Haoyu Wang·· 2026-10-14AI 评分37

ReVeR:基于工具增强评判的点式评分标准奖励模型

Rubrics from the Task, Verdicts from Evidence: Pointwise Rubric Rewards with Tool-Augmented Judges

AI 导读

提出点式评分标准奖励模型 ReVeR,通过仅推理指令推导硬规则,利用工具增强评判独立评估响应。 模型经标签盲蒸馏训练,生成大规模 ReVeR-Traces 数据集,实验显示其在偏好准确性上优于成对评判方法。 研究发现生成器强化学习提高偏好准确性的同时降低评分标准保真度,且偏好准确性不必然转化为更优下游策略。

来源:arXiv · NLP · arxiv.org