生成式奖励模型扩展规律研究：评判准确率不等于优化效果
原文标题：Scaling Laws for Generative Reward Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在创意写作策略优化中比较生成式奖励模型（GenRM）的不同训练方式，覆盖 Qwen3 0.6B 至 14B 规模。静态金标准确率更高的 Thinking 评判器，在在线 DPO 训练中常被 Answer-Only 奖励器反超。研究提出「评估者—奖励者差距」：固定分布上的评判准确率无法决定下游优化质量。
- 问题
- 生成式奖励模型的静态评判准确率能否预测其作为在线奖励信号的效果。
- 方法
- 在 Qwen3 0.6B-14B 上对比 GRPO 训练的 Thinking 评判器与 SFT 的 Answer-Only 评判器，用在线 DPO 训练策略并比较 Elo。
- 结果
- 8 个匹配设置中 7 个由 Answer-Only 奖励器取得更高峰值与前五平均策略 Elo，尽管其静态金标准确率更低。
- 影响
- 选奖励模型不能只看评判准确率，需以下游优化效果为准，直接影响 RLHF/偏好优化流水线选型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
研究在 Qwen3 0.6B–14B 上发现静态评判准确率高的 GenRM 在线 DPO 中常被反超。
- •Thinking 评判器（GRPO 训练）静态金标准确率高于 Answer-Only 评判器（SFT 训练）。
- •但在线 DPO 训练策略时排名常反转：8 个匹配设置中 7 个由 Answer-Only 奖励器取得更高峰值与前五平均策略 Elo。
- •中间检查点的 Thinking 评判器作为奖励者，可优于更晚、静态更准的检查点。
- •奖励模型容量（含大于策略的评判器）带来明显收益。
- •作者称此为「评估者—奖励者差距」，并注明主排名依赖其学习式参考评判器，非普适人类质量结论。
为什么重要：对用 GenRM 做在线偏好优化的团队重要：选奖励模型不能只看静态评判准确率，需按下游优化效果评估。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。