RubricEM框架论文发布

1. 12:00
   arXiv · NLP

   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

   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。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。