ReVeR：从任务生成评分标准、以证据给出裁决的逐点式评分标准奖励模型

研究者提出 ReVeR，一种逐点式评分标准奖励模型（RM），仅凭指令推理出硬性规则与分级原则，并通过工具增强的评判独立评估回答，避免从候选回答反推标准带来的偏差。两个组件均以标签盲蒸馏训练，产出大规模数据集 ReVeR-Traces。实验显示 ReVeR 在平均偏好准确率上优于成对式评分标准 RM，在指令遵循上尤为明显，并在测试时扩展与下游策略优化中表现更好。