Rever

新的ReVeR模型通过工具增强型裁判改进AI响应评估

研究人员推出了一种新颖的逐点评分标准奖励模型ReVeR，旨在克服现有方法的局限性。与从观察到的响应中推导出标准的先前方法不同，ReVeR独立地推理指令以建立硬性规则和分级原则。该方法通过无标签蒸馏进行训练，产生了捕获推理和判断轨迹的ReVeR-Traces数据集。实验表明，ReVeR在准确性方面，尤其是在指令遵循方面，优于传统的成对评分标准模型，并且提供了更好的可扩展性和策略优化。