LexReward：面向法律语言模型的分类驱动奖励框架

LexReward 是一个面向法律语言模型的分类驱动奖励框架，从 Style、Element、Chain 三个维度刻画法律回答质量，并为每个维度制定评分细则。基于该奖励构建的偏好数据用于 DPO 训练，在三个维度上均提升表现；训练出的奖励模型 LexRM 通过强化学习分别改善对应维度的策略表现，且奖励阶段无需参考答案。