Response Parameter Network

评分标准反应理论通过项目反应建模增强RL奖励

研究人员引入了评分标准反应理论（RRT），这是一种在需要人类判断的强化学习任务中生成奖励的新颖方法。与对评分标准项求和的传统方法不同，RRT采用双参数项目反应模型，从判断模式中推断出标量质量分数。该方法以Qwen3.5-4B模型为证，在各种数据集上，尤其是在医学和科学领域，显示出优于Group Relative Policy Optimization (GRPO)的性能。RRT还通过自适应Fisher选择减少了所需的判断次数，从而提高了效率。