ReVeR：从指令生成评分标准的奖励模型

研究者提出逐点式评分标准奖励模型 ReVeR。据其描述，该模型仅从指令本身推理出硬性规则与分级原则，再通过工具增强的评判方式独立评估回答，以避免从候选回答反推标准所带来的偏差。 ReVeR 的两个组件均以标签盲蒸馏方式训练，并据此产出大规模数据集 ReVeR-Traces。上述效果为研究者自述，尚未见独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。