热点事件持续更新
研究揭示生成式奖励模型缩放定律与优化差距
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月23日，arXiv发布关于生成式奖励模型缩放定律的研究。实验基于0.6B至14B规模的Qwen3生成式奖励模型展开，结果显示，采用GRPO训练的Thinking裁判虽然具有更高的静态准确率，但在在线DPO训练中往往被SFT训练的Answer-Only裁判反超。在32B评估器评测下，Answer-Only裁判在8组设置中有7组取得了更高的策略Elo评分。此外，研究还发现增大奖励模型容量能带来显著收益，相关结果表明评判准确率并不直接决定下游优化质量。
AI 根据报道生成 · 6 小时前更新
最新进展10月23日 12:00
arXiv研究表明，生成式奖励模型的静态评判准确率并不决定下游在线DPO的优化质量。报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv 人工智能生成式奖励模型的缩放定律
在 0.6B 至 14B 的 Qwen3 生成式奖励模型实验中，GRPO 训练的 Thinking 裁判静态准确率更高，但在在线 DPO 训练中往往被 SFT 训练的 Answer-Only 裁判反超。在 32B 评估器下，Answer-Only 在 8 组设置中有 7 组取得更高策略 Elo；同时增大奖励模型容量收益显著，表明评判准确率并不决定下游优化质量。
本事件热度走势
当前热度 8·可比范围峰值 10（10月23日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。