reward-noise

标签

#reward-noise

RLVR中的多语言验证器偏差：基准测试、Rollout诊断与跨语言选择瓶颈

arXiv cs.CL ↗ · 2026-08-24 缓存

本文揭示了可验证奖励强化学习中的精确匹配验证器在多语言数学推理中引入了语言依赖偏差，提出了一个审计协议，并识别了跨语言选择瓶颈。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈