Hugging Face · 每日论文·· 2 天前AI 评分42
Rubrics from the Task, Verdicts from Evidence: Pointwise Rubric Rewards with Tool-Augmented Judges
Rubrics from the Task, Verdicts from Evidence: Pointwise Rubric Rewards with Tool-Augmented Judges
AI 导读
ReVeR 是一种基于评分标准的奖励模型，通过独立推理指令生成硬性规则和分级原则，并借助工具增强判断能力对响应进行评估。该模型通过无标签知识蒸馏训练，生成了大规模的评分标准推理与判断轨迹数据集 ReVeR-Traces。实验表明，ReVeR 在指令遵循等任务中优于成对评分标准奖励模型，并在测试时扩展性和下游策略优化中表现更佳。
来源：Hugging Face · 每日论文 · huggingface.co