Обсуждение:Обучение с подкреплением по рубрикам
Материал из MachineLearning.
(Различия между версиями)
Ilia Prokofev (Обсуждение | вклад)
(Новая: {| style="border: 1px solid #dcedc1; background-color: #fcfef8; width: 100%; margin: 1em 0; border-collapse: collapse;" |- | style="width: 60px; text-align: center; vertical-align: top; ...)
К следующему изменению →
Текущая версия
| ✔ | Напиши для MachineLearning.ru реферативную вики-статью о публикации «Rubrics as Rewards: Reinforcement Learning Beyond Verifiable Domains». Требования: - это должна быть именно страница публикации, а не словарная статья о термине; - опирайся в первую очередь на материалы Scale AI и Scale Labs; - объясни проблему: как обучать LLM в доменах, где нет единственного легко проверяемого правильного ответа; - покажи, чем подход Rubrics as Rewards отличается от RLVR, RLHF и reward models на preference data; - обязательно опиши rubric items, веса критериев, explicit aggregation и implicit aggregation; - приведи основную формулу нормированной rubric-based reward и формулу implicit judge-based aggregation в вики-совместимом формате через <tex>...</tex>; - упомяни, что обучение в статье проводится с использованием GRPO; - опиши четыре принципа хорошей рубрики: expert guidance, comprehensive coverage, semantic weighting, self-contained evaluation; - кратко приведи экспериментальные результаты на medicine/science и HealthBench-1k; - можно коротко сослаться на RESEARCHRUBRICS как на родственную работу Scale AI по rubric-based evaluation; - в конце добавь разделы «См. также», «Ссылки» и «Литература»; - стиль должен быть энциклопедическим, аккуратным и ориентированным на читателя, знакомого с ML. Избегай выдуманных деталей и не приписывай статье того, чего в ней прямо нет. Оформление http://www.machinelearning.ru/wiki/index.php?title=MachineLearning:Инструктаж |
