★ 4
新方法用评分到代码归因改进强化学习信用分配
提出RCCA框架，将评分标准级功能反馈转化为代码局部优化信号，提升交互式Web应用生成质量。模型在MiniAppBench和ArtifactsBench上取得领先成绩。
arXiv cs.AI63 天前
#评分标准
共 7 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
研究：无标注评分标准澄清提升 LLM 评审共识但未贴近人类
论文提出一种无标注流程，将 LLM 评审团的分歧转化为评分标准修订，在 SummEval 上将评审间一致性提升 0.069，但与专家评分的一致性无显著变化。在 HealthBench 与 USR 上，评审间一致性与人类一致性均未达到预注册效应标准。
arXiv NLP21 天前
★ 2
RubricOpt 框架提出：让策略自我修订语义评分标准优化偏好训练
论文提出 RubricOpt，让模型在偏好优化过程中自行诊断失败输出并修订行为评分标准，再由评分标准引导 DPO 训练，评估时移除。实验显示在能力与开放式生成基准上可优于普通 DPO，但增益因模型与数据集而异。
arXiv cs.AI11 天前
★ 2
ARTS-Hybrid：机制引导的LLM评分标准生成与优化
研究者对评分标准（rubric）设计进行系统性机制分析，发现结构化组织能构建更全面的评判标准，而单纯的语义规范不足以保证评判质量，复杂分数聚合收益有限。据此提出ARTS-Hybrid方法，结合自适应树构建与语义优先、响应校准的优化策略，在多个基准上同时提升端到端评估性能与评分标准本身质量，并可为模…
arXiv NLP21 天前
★ 2
arXiv 论文提出 Interventional Transfer 评估 LLM 生成评分标准
论文提出 Interventional Transfer 方法评估大模型生成的评分标准质量，基于「扰动使响应在一个标准上通过/失败时两个标准是否同步移动」判断相似性。在 HealthBench 案例中发现 Qwen3.8-27B、Deepseek-V4-Flash、Opus-5 生成的评分标准存在…
arXiv cs.LG24 天前
★ 2
RUSPAN 框架用评分标准跨度做短答评分
研究提出 RUSPAN，把评分标准描述当作语义标签表示，将题目、学生答案与候选评分等级序列化为单条序列，一次前向即完成列表式打分。其 RUSPAN-RIM 变体用评分标准独立掩码阻止标准跨度互相注意，提升零样本迁移能力。在英德葡六个短答评分基准上优于判别式与生成式基线。
arXiv NLP25 天前
★ 2
MatrixReward：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