ReVeR：逐点评分标准奖励模型提出

研究提出 ReVeR，一种逐点评分标准奖励模型：它只根据指令推理出硬规则与分级原则，再通过工具增强的评判方式独立评估回答，避免从候选回答反推评分标准带来的偏差。 该模型由 Haoyu Wang 等人提出，训练采用 label-blind 蒸馏，产出大规模数据集 ReVeR-Traces。作者称，ReVeR 在平均偏好准确率上优于成对评分标准奖励模型，指令遵循方面尤为明显；同时发现生成器强化学习会提升偏好准确率，却降低评分标准保真度。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。