MusicRLVR：用可验证奖励训练模型生成多约束符号音乐

Haoyue Liu与Xiaoying Tang提出MusicRLVR，仅用可编程验证器奖励配合GRPO训练语言模型生成满足多重约束的符号乐谱，无需人工标注、奖励模型或音乐领域监督微调。作者同时发布MusicConstraintBench，含2,180个条目、8类可编程验证的约束。 基于论文摘要：在混合约束上，MusicRLVR用不到4小时训练将Qwen3-4B-Instruct-2507得分从0.160提升至0.797，超过Llama-3.1-70B；该基线在单约束条目上满足0.630，但在四约束条目上仅0.044。该训练方法可迁移到Qwen3-8B，且两个训练后模型在通用基准上均无显著精度损失。

AI 根据报道生成 · 1 天前更新

还没有足够的连续观测数据，暂不绘制趋势。