无监督多模态奖励建模：冻结 Qwen3-VL 中间层超越 GPT-4o
原文标题：Unsupervised Multimodal Reward Modeling
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。
一篇 arXiv 论文提出无需人工偏好标注的多模态奖励模型：在冻结的 Qwen3-VL 主干中间层上训练线性头，用同图扰动字幕做对比打分，标注数据仅用于选层。该方法在 32B 规模下于三个基准上追平或超过 GPT-4o，VL-RewardBench 领先 6.6 分，算力仅为微调的千分之一。研究还指出扰动采样器才真正定义奖励，基准排名无法识别这一点。
- 问题
- 多模态奖励模型依赖昂贵且不一致的人工偏好标注，基准排名无法反映真实奖励质量。
- 方法
- 冻结 Qwen3-VL 主干，在中间层训线性头，用同图扰动字幕对比打分，标注仅用于选层。
- 结果
- 32B 下三个基准追平或超 GPT-4o，VL-RewardBench 领先 6.6 分，算力约为微调的千分之一。
- 影响
- 几乎零成本即可获得强多模态奖励模型，且提示扰动采样器才是奖励定义的关键，基准分数不可全信。
深读 · 结论先行AI 生成展开看要点与影响 ↓
冻结 Qwen3-VL 中间层加线性头，32B 规模在 VL-RewardBench 领先 GPT-4o 6.6 分
- •无需人工偏好标注：在冻结 Qwen3-VL 主干中间层训练线性头，用同图扰动字幕做对比打分
- •选层是决定性变量，中间层比最后一层高 5.8 分；标注数据只用于选层
- •32B 规模下在三个基准追平或超过 GPT-4o，VL-RewardBench 领先 6.6 分，算力约为微调的千分之一
- •同等配对预算下，扰动法比精选的 RLAIF-V 配对多教出 3 至 5 分
- •论文指出扰动采样器才真正定义奖励：两个头在同一扰动的不同半集上训练，基准打平但幻觉判断差 6.4 分
为什么重要：奖励模型不必依赖昂贵偏好标注，这条给出极低算力的替代配方，同时提醒基准分数识别不出奖励的真实定义，对做多模态对齐与评测的团队都有警示。
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。