ReVeR：工具增强判官的点式评分奖励模型

2026年10月13日，Hugging Face Daily Papers 报道了研究者提出的 ReVeR，一种逐点式评分标准奖励模型（RM）。该模型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，以避免从候选回答反推标准带来的偏差。其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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。