标签
Reasoning Arena 通过使用追踪锦标赛和Bradley-Terry模型，从非多样化奖励组中生成有意义的梯度，从而改进了基于可验证奖励的强化学习，实现了更快的训练和更好的推理性能。
本文介绍了ECC算法，该算法通过有限模型比较校准语义嵌入，根据潜在能力需求对查询进行聚类，将LLM能力排名质量相较于基线提高了超过17个百分点。
HumorRank 通过成对比较和 Bradley-Terry 最大似然估计，构建锦标赛式排行榜，对 LLM 的幽默生成进行排名，发现幽默质量取决于喜剧技巧而非模型规模。