标签
论文提出 Sauron，一种证据优先的智能体验证器，通过独立校验环境状态与执行轨迹来提升基于评分标准的评估准确性并减少强化学习奖励错误。在 2,586 条人工标注标准上，Sauron 在全部八个骨干模型上取得最高 F1（GPT-5.6 Sol 达 0.96，较最强基线 Gandalf 高 0.04 且成本低 23%），并在故障注入与 TRAIL 基准上表现领先。
该论文提出一种无标签的评分标准（rubric）修复流程：通过跨评审模型的分歧自动定位有争议的评分条款并由编辑模型重写。实验表明该方法提升了评审间一致性（Krippendorff's α 提升约 0.07），但并未提升与人类专家评分的一致性，甚至点估计略低于随机条款编辑对照组。
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。
本文提出了一种基于评分标准对齐的方法，用于在段落级别评估人类同声传译，使用LoRA适配的COMET-KIWI模型来解耦意义传递和表达质量等维度，相比基线方法，提高了与人类评分的相关性。
PaperGym是一个框架，通过将研究问题与评估评分类分离，将科学论文转化为训练环境，使强化学习能够改进研究计划。它展示了优于现有方法的性能，训练后的模型在基准测试中优于更大的模型。
康奈尔研究者提出 POP 自博弈框架，让大模型自行生成评分规则与训练样本，在医疗问答、创意写作、指令遵循等开放式任务上提升 Qwen-2.5-7B，无需人工标注。