标签
RLCD被解释为一种基于模式的Plackett–Luce目标函数，它推进了奖励建模从标量奖励到成对偏好再到多路校准决策，简化了对Jev的理解。
RewardVerse 提出了一种基于评分标准的视频奖励建模框架，以缓解标量漂移并提供稳定的评估标准，从而增强视频生成中的强化学习。
本文介绍了梯度对齐奖励（GAR），一种通过与专家解决方案对齐梯度来增强大语言模型推理强化学习的方法，在数学和一般基准测试中显示出改进。
WorldReward 介绍了一种针对相机条件化世界模型的视觉语言奖励模型，通过分块分解和偏好聚合统一了动作一致性和视觉质量评估，在基准测试中优于现有方法如GPT-5.5。
FIRM-Video 介绍了一种基于检查表驱动的验证框架，用于构建文本到视频任务中的可靠奖励模型，利用时间视觉证据来改进评估和对齐。
VA-Judger是首个用于联合视频-音频生成的奖励模型，它使用人类偏好反馈来评估整体质量，包括一个数据集和基准测试，并在应用于像LTX-2这样的模型时展示了人类偏好率的显著提升。
本文提出了一种基于近体学的奖励公式，用于深度强化学习社交导航，将人类个人空间建模为高斯混合场，以提高社交合规性，同时保持导航效率。
本文指出，RLHF因平均化异质偏好而导致程序公平性失败：多数群体主导奖励学习，少数偏好代表性不足。文章提出了偏好感知RLHF（PA-RLHF），在受控实验中提升了对齐准确率并缩小了公平性差距。
本文介绍了LEMUR，一个结合多目标强化学习与基于偏好的多人类反馈学习的框架，无需预定义奖励函数即可学习帕累托最优策略。
本文介绍了面向 CLEF 2026 CheckThat! 任务2 的系统，该系统利用基于 LLM 的推理轨迹排序和分组奖励建模来验证英语和阿拉伯语的数值声明，并比较了微调验证器与轻量级奖励模型。
本文引入了一种用于直接对齐算法（DAAs）的正则化技术，该技术保持归一化的响应概率，从而缓解过度优化和似然偏移。该方法提升了生成质量和基准性能，在AlpacaEval2上实现了超过20%的相对提升，并在Llama-3.1-8B-Instruct的通用基准上获得9%的性能增益。
本文识别并形式化了RLHF偏好数据中的评估者状态偏差，即标注者的情绪状态可能混淆偏好标签。它提出了一个包含可证伪预测的审计框架来检测此类偏差。
本文介绍了DROPJ，一种以人为中心的方法，通过从真实世界轨迹中学习世界模型，然后引出带有理由的人类偏好来训练奖励模型，用于模型预测控制，从而安全地训练和部署智能体策略。实验表明，使用人工生成的模拟轨迹和理由可以提高安全性并降低计算成本。
本文提出渐进式代码切换（PCS），这是一种结合课程学习的强化学习方法，逐步增加LLM中的代码切换比例，从而实现多语言推理能力的高效迁移。
Harvey与Applied Compute合作训练了一个法律智能体，对智能体堆栈进行了优化，并使用来自其法律智能体基准（LAB）的奖励信号对GLM-5.1模型进行了后训练。
本文提出PAFO，一种帕累托公平优化框架，用于缓解大语言模型奖励模型中的个性化奖励偏差，在不损害多数用户组的情况下提高少数用户组的准确性。
本文提出了多模态多维度标量化过程奖励建模（MMS-PRM），该方法在多模态推理中强制最差维度的鲁棒性，以防止视觉幻觉等失败被强大的文本逻辑掩盖。
Eval-Skill 是一种探索引导方法，可合成为奖励建模的可复用评估技能，在 RewardBench 2 上相比现有骨干模型取得了显著提升。
Z-Reward 是一个教师-学生框架，它将复杂推理与高效的奖励部署解耦，用于文本到图像的训练。该框架使用 27B 教师模型达到了 89.6% 的人类偏好准确率，使用 9B 学生模型达到了 88.6%，超过了先前的方法。