arXiv论文提出基于量规排序的强化学习方法RLVR²

Hao Li 等论文作者在 arXiv 发布预印论文（更新至 v3），提出 RLVR²——一种基于量规（rubric）排序的可验证奖励强化学习范式。论文称该方法将每条准则的量规分数转换为组内序数结果，恢复潜在效用并合并为单一训练信号，避免异构量规尺度的校准问题，还支持不直接奖励辅助属性的客观保持式调整。 作者称，在 3 个模型规模和 16 个基准上，RLVR² 在大多数基准上取得最优整体表现，优于代表性基于量规的基线方法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。