标签
该论文将一种现象形式化：把 LLM 评委的评分量表坍缩为二值化的通过/失败，会隐藏策略奖励信号中准则级别的质量变化。论文在联合高斯模型下证明，至少需要三个评分等级才能消除这种歧义，并在 MATH 和 SciBench 上的实验确认：二值化的拉伸不可见，而使用三个等级则可以被检测出来。