RubricOpt：策略自我修订评分标准以优化偏好训练

Wei Chen 等作者发布论文提出 RubricOpt 框架，让策略在偏好优化过程中自行诊断没有评分标准时的输出，保留已覆盖的要求，并修订那些未能解决反复失败问题的条款；修订后的评分标准在训练中引导 DPO，评估时移除。作者称，在能力与开放式生成基准上，评分标准条件化可优于普通 DPO，但增益与退化因模型和数据集而异；匹配的延续实验显示，这种编辑带来的增量效果不一。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。