标签
EVA-RSI 提出了一种面向视频评估器的多智能体递归自我改进框架,采用通过构造定义的代理测试(时间反转、丢帧)和跨维度纳什议价,以 Qwen3-VVL-8B 为起点提升运动质量判断能力,在动态性基准测试中取得最高分,并可作为视频生成的有效强化学习奖励。
该论文表明,在 GRPO 后训练过程中,即使输出中不包含任何与某种特征相关的语义痕迹,这种特征仍可仅通过评判模型的奖励分数传递给学生模型。论文还确立了一个由四个阶段组成的因果链,解释这种潜意识传递何时会发生,并揭示了其对 AI 安全倾向的影响。
AVC-Reward 提出一个以事件为中心的音视频一致性评估框架,通过可训练奖励模型在全局和谐、时间同步和属性对齐三个层面评估复杂多事件场景,并在与人类判断对齐上达到最先进水平,还可作为在线强化学习信号提升联合生成模型的一致性。
TextVerifier 提出了一种针对中文文本渲染缺陷的逐字符验证方法,利用表意文字描述序列(IDS)替代单字符符号作为文本塔输入,并在首个逐字符基准 TextRenderBench-ZH 上取得 0.844 的 F1 分数,显著优于 OCR 置信度(0.526)、通用 VLM(0.329)和 TextPecker(0.590)。该方法还可作为 Flow-GRPO 后训练的逐字符奖励,进一步降低渲染错误,兼具检测与纠错能力。
SyncReward 提出了一套面向音视频生成的人体对齐同步奖励框架,包括 80K 专业同步评分数据集 SyncReward-Data-80K、1K 挑战基准 SyncReward-Bench,以及通过语义-时间对比预训练与人类监督训练的奖励模型,可作为评估指标并用于推理时 best-of-N 选择和强化学习后训练以提升音视频同步质量。
本文介绍了思考奖励模型(TRM),该模型显式地制定案例自适应标准来评估视觉生成,在开源奖励模型中实现了最先进的性能。
Dyna Robotics 通过结合大规模数据金字塔、专用奖励模型和迭代部署,致力于解决机器人领域的可靠性差距问题,以实现接近完美的任务表现,迈向商业级自主能力。
本次基准发布比较了24个大语言模型与人类作家在475个创意写作提示上的表现,使用自定义奖励模型显示前沿模型优于业余作家,但不及专业作家。
F2DR是一个细粒度奖励框架,旨在评估大型语言模型中的全流程DeepSearch工作流,通过评估内容、轨迹和答案维度来解决现有奖励模型的局限性,并引入DeepSearch RM-Bench进行基准测试。
RynnValue 引入了一个开源的机器人价值基础模型,该模型将时间距离作为奖励学习的可扩展监督目标,在 RBM-EVAL-OOD 上超越了基于偏好监督的最先进方法,并提高了真实世界策略的成功率。
介绍了VlogReward,一个用于评估Vlog编辑计划在六个维度上的奖励模型,同时附带大规模数据集和基准测试,在与GPT-5和Gemini-3-Pro的对比中取得了最先进的结果。
本文介绍了PAJAMA,这是一个将大语言模型作为评判者的决策逻辑蒸馏到程序化评判者中的系统,消除了每次样本的API成本,同时匹配了13B大语言模型评判者的性能,并为可扩展评估提供了透明度和效率改进。
本文提出了一项系统研究,比较了RLHF流程中用于奖励模型评分的C++和PyTorch推理运行时,发现ONNXRuntime在CPU上提供加速,而torch.compile在GPU上领先,且批处理策略比语言或运行时选择更为重要。
TRACE 是一种用于多轮代理强化学习的密集信用分配方法,它利用冻结的参考模型从工具边界的对数概率变化中计算每个动作的奖励,消除了对批评者或过程奖励模型的需求。它在 BrowseComp-Plus 等基准测试上显著提升了长期工具使用的性能。
本文介绍了SpectraReward,一种无需训练的奖励函数,利用预训练的多模态大语言模型(MLLM)作为文本到图像生成中强化学习的零样本奖励模型,在多项指标上持续优于先前方法。
介绍PEBS,一种用于RLHF中奖励模型校准的每个评分者经验贝叶斯收缩估计器,在PRISM上将用户内RMSE降低了超过8.5%,在PluriHarms上降低了超过9.6%。
TuneJury 是一个开源的成对奖励模型,用于文本到音乐生成,提供校准的偏好评分,并泛化到多个下游应用。
Neural_avb 发布了一个轻量级的 Answer-eq 奖励模型,用于问答任务的强化学习训练,声称与外部评判 LM 的一致性达到 80%,且比 F1/ROUGE/BertScore 更快。
本文介绍了一个时间序列预测框架,该框架利用重要性感知的新闻压缩和过程奖励模型引导的检索,在固定上下文长度内融入长新闻文章,从而提高金融、能源、交通和比特币基准上的预测精度。