arXiv · Machine Learning· Weichu Xie, Haozhe Zhao, Wenpu Liu, Yongfu Zhu, Liang Chen, Minghao Ye, Zirong Chen, Yuqi Xu, Shuai Dong, Ziyue Wang, Xinbo Xu, Kean Shi, Ruoyu Wu, Xiaoying Zhang, Wenqi Shao, Baobao Chang, Nan Duan, Jiaqi Wang·· 8 小时前AI 评分49
Step-wise Rubrics as Rewards（SRaR）：通过逐步评分优化 LLM 推理
Step-wise Rubric Rewards for LLM Reasoning
AI 导读
SRaR 提出逐步评分奖励机制，将评分标准分配到推理步骤，并结合步骤奖励与结果奖励，改善 LLM 的推理质量。在六项数学 benchmark 中，Qwen3-8B-Non-Thinking 和 Qwen3-32B-Non-Thinking 的平均准确率较 RaR 分别提高 3.57 和 2.75 个百分点。
来源：arXiv · Machine Learning · arxiv.org