arXiv cs.AI· Ashish Bansal, Hossam Amer, Keerat Kaur Guliani, Parinita Edke, Lesley Matheson, Leizer Teran·· 1 天前AI 评分33
专家引导的评分准则（Rubrics）作为非可验证领域强化学习的稠密奖励信号
Expert-Guided Rubrics as Dense Reward Signals for Reinforcement Learning in Non-Verifiable Domains
AI 导读
一项 arXiv 研究针对金融服务等非可验证领域中 LLM 智能体的强化学习，提出将少量专家判断转化为稠密奖励，并与检索指标结合形成 GRPO 兼容的混合训练信号，解决稀疏奖励导致组内同分、优化停滞的问题。实验显示，相比稀疏奖励基线，Recall@3 提升最高 6%，MRR@3 提升 6.7%。
来源：arXiv cs.AI · arxiv.org