EnGRICH 用人类批评训练生成式奖励模型

Xuancheng Li 等作者提交论文预印本，提出生成式奖励模型（GRM）训练框架 EnGRICH。该框架为 GRM 配一个训练期 MetaCritic，从少量人类批评中学习，为生成的批评提供过程奖励和结构化指导。 据论文，MetaCritic 针对具体回复构建评分标准，评估批评的证据覆盖度与正确性，并在训练中持续优化，使其能泛化到只有偏好结果的数据上。 在七个奖励模型基准上，EnGRICH 一致优于竞争基线；训练好的 GRM 在推理时可独立运行，不再依赖 MetaCritic。

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。