研究者提出 RL2R:用参考答案相似度作强化学习奖励
热点事件持续更新
研究者提出 RL2R:用参考答案相似度作强化学习奖励
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Shuai Zhao 等研究者在 arXiv 论文(2504.09895)v4 中提出 RL2R 方法:用参考答案的语义相似度(如 BERTScore)作为强化学习奖励,统一覆盖大语言模型推理与对齐两类后训练任务;相比规则验证的二值反馈,相似度奖励保留序数质量信号,可对正确的推导过程给分。据论文报告,数学推理任务上结合答案级与步骤级相似度优于仅答案验证;对齐任务上无 critic 的 REINFORCE 实现在通用偏好、安全与置信度任务上与基于奖励模型的方法相当。
AI 根据报道生成 · 42 分钟前更新
最新进展11月20日 13:00
RL2R:基于参考答案奖励的大语言模型推理与对齐强化学习方法报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AIRL2R:基于参考答案奖励的大语言模型推理与对齐强化学习方法
研究者提出 RL2R,一种用参考答案语义相似度(如 BERTScore)作为奖励的强化学习方法,统一覆盖大语言模型推理与对齐两类后训练任务。相比规则验证的二值反馈,相似度奖励保留序数质量信号,可对正确推导过程给分;数学推理任务上结合答案级与步骤级相似度优于仅答案验证,对齐任务上无 critic 的 REINFORCE 实现在通用偏好、安全与置信度任务上与基于奖励模型的方法相当。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。