ImplicitRM：从隐式反馈学无偏奖励模型

研究者 Hao Wang 等人提出 ImplicitRM，可直接从点击、复制、跳过等隐式用户反馈中学习奖励模型，以减少对昂贵显式反馈的依赖。作者称该方法用分层模型将训练样本划分为四个潜在组，并推导出理论上无偏的似然最大化目标，以应对隐式反馈缺少确定负样本和选择偏差两大问题。 据该工作描述，在多种 LLM 主干和基准数据集上的实验显示，ImplicitRM 能从隐式反馈学到较准确的奖励模型，并提升下游 RLHF 任务表现。该论文已被 ICML 2026 接收，上述效果与无偏性均为作者在论文中的说法。

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。