标签
CSPF提出了一种约束共享-私有融合方法，用于整合多个奖励模型的表示进行不可验证偏好评估，性能优于基线方法。
RUBRIC-ARROW 提出了一种交替式奖励建模框架，通过减少平局并利用成对偏好数据改进了基于评分标准的方法，在非可验证领域为LLM后训练实现了具有竞争力的准确率和收益。