★ 2MatrixReward：基于评分矩阵的开放式生成奖励论文提出MatrixReward，通过在每个评分标准下两两比较采样回答，构建「rollout×rubric」胜率矩阵来构造奖励，列离散度反映评分标准的区分能力，列间相关性揭示重复度，从而得到数据依赖的权重。在Qwen3-8B与四个开放式问答基准上平均得分63.02，较最强基线提升约2.0%。表明基…arXiv cs.LG31 天前