研究者提出RLVR²排序奖励强化学习范式

研究者 Hao Li、Zhengkun Zhang 等人提出 RLVR²（基于可验证评分标准的排序强化学习），用于解决多维度评分标准下 RLVR 的分数聚合难题。该方法逐条标准把评分转成组内序数结果，从比较矩阵中恢复潜在效用并合并成单一训练信号；由于只保留组内排序、丢弃原始分数幅度，它无需校准异质评分尺度。 在 3 种模型规模和 16 个基准上，RLVR² 据称均优于代表性评分标准基线，在多数基准上取得最佳整体表现，并能控制与推理效率和回复格式相关的系统性影响，同时保持质量目标。上述效果为论文作者报告的结果。

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。