跳到正文
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

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    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

    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。