arXiv 机器学习· Michael Tian-Yue Liu, Anne Harrington, Trevor Darrell, Yutong Bai·· 10 小时前AI 评分39
评测裁判者：量规即奖励中的置信度与分歧研究
Judging the Judges: Confidence and Disagreement in Rubrics as Rewards
AI 导读
研究人员针对量规即奖励（RaR）训练提出裁判集成策略 RaRE。该方法采用基于 logprobs 加权高置信度裁判的软 Likert 奖励，并通过掩码在 GRPO 更新中剔除高分歧样本。实验显示，朴素平均分无法超越最佳单一裁判，而 RaRE 在 HealthBench 和 GPQA Diamond 上均超越了所有单裁判 RaR 变体。
来源：arXiv 机器学习 · arxiv.org