arXiv · cs.AI· Xuancheng Li, Beining Wang, Haitao Li, Heng Wang, Yujia Zhou, Qingyi Pan, Blaze Chen, Yiqun Liu, Min Zhang, Qingyao Ai·· 2 天前
EnGRICH利用人类批评增强生成式奖励模型
EnGRICH: Enhancing Generative Reward Modeling with Critiques from Humans
arXiv:2610.05370v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Xuancheng Li, Beining Wang, Haitao Li, Heng Wang, Yujia Zhou, Qingyi Pan, Blaze Chen, Yiqun Liu, Min Zhang, Qingyao Ai
研究任务与主要进展
作者提出EnGRICH生成式奖励模型训练框架，将基于少量人类批评学习的MetaCritic与奖励模型配对，以生成响应特定 rubric 并评估批评的证据覆盖和正确性。该方法将过程奖励与结构化指导用于细粒度信用分配，并使MetaCritic在仅有结果标签的偏好数据上泛化；训练后的生成式奖励模型在推理时独立运行。基于论文摘要，实验覆盖七个奖励模型基准，作者报告EnGRICH持续优于有竞争力的基线。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org