IXThinker·2025-06-27 13:10

RewardAnything讓獎勵模型讀懂評判原則

北京大學聯合騰訊微信模式識別中心等機構提出RewardAnything，讓獎勵模型直接讀懂自然語言評判原則，為RLHF訓練降本增效提供新思路。

現有瓶頸

傳統獎勵模型訓練依賴標準答案式的偏好數據，容易學到「長回答等於好回答」「好格式等於好答案」等表面規律，知其然而不知其所以然，換個場景便須重新收集數據再訓練，成本高昂。