Hugging Face · 每日论文·2026-10-02 04:00· 3 天前AI 评分34

MetaRubric：基于量规的强化学习奖励学习框架

MetaRubric: Learning to Reward for Rubric-Based Reinforcement Learning

AI 导读

MetaRubric 通过证据感知的策略优化与响应引导的量规适应交替进行，解决了基于量规的强化学习中的“空洞奖励”问题。该方法要求响应包含足够证据才能获得相应量规标准的分数，并在 PubMedQA 上比静态评判的 GRPO 准确率提升了 6.00 至 20.40 个百分点。