论文用评分量表与分层奖励把开放式任务反馈转为 token 级训练信号
资讯摘要
论文提出一种面向开放式任务的强化学习框架，训练环境结合人类领域知识与模型推理：以评分量表（rubrics）锚定任务意图，用分层奖励区分复杂输出，并将失败诊断对应到输出区域，进而指导 GRPO 目标的 token 级权重。作者在交互式 Web 应用生成任务上实例化该框架，报告 MiniAppBench 平均通过率 41.25%、ArtifactsBench 76.19%，消融实验显示各组件均有贡献。
要点速读
- 框架将人类领域知识编码为评分量表，用于锚定评估与任务意图
- 模型推理结合分层奖励，把诊断出的失败关联到可能的输出区域，并转化为 GRPO 的 token 级权重
- 作者报告在 MiniAppBench 平均通过率 41.25%、ArtifactsBench 76.19%，消融实验与分布外评估支持各组件作用
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。