Rubrics as Rewards: Reinforcement Learning Beyond Verifiable Domains
针对现实推理任务难以用二元正确性评估、RLVR无法直接应用的问题,提出基于评分量规反馈的同策略强化学习方法RaR,在医学和科学基准上优于LLM-as-judge基线,还能提升小评判模型对齐效果、降低性能方差。
2025-10-03 cs.AI cs.CL cs.LG
Evolving Support Priorities in Empathetic Reinforcement Learning
University of Science and Technology of China(中国科学技术大学);SenseTime Research(商汤科技研究院);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);Tongji University(同济大学)
针对共情强化学习中支持优先级随对话状态演化而现有方法固定奖励的问题,提出CARE框架,通过上下文自适应评分标准动态调整奖励,在多个基准上显著提升性能。
2026-11-05 cs.AI
RISED: RubrIcs for agentic multi-environment Selection and sElf-Distillation
National University of Singapore(新加坡国立大学);Apple(苹果公司)
RISED利用跨环境共享的评分准则标签,指导多环境智能体强化学习中的在线数据选择与自蒸馏监督,提升各环境平均通过率。
2026-10-02 cs.AI
ComplexConstraints and Beyond: Expert Rubrics for RLVR
Surge AI
提出专家设计的评分标准作为评估和训练信号,通过复杂指令遵循和企业智能体任务验证,在RL训练中显著提升模型性能。
2026-07-07 cs.AI
Lightweight, Rubric-Guided Trajectory Evaluation for Production AI Agents
Huawei Ireland Research Center(华为爱尔兰研究中心);Huawei Shenzhen R&D Center(华为深圳研发中心)
针对生产环境智能体轨迹评估成本高的问题,提出轻量级架构LiteTrajEval,通过离线规则配置和在线预处理,结合单一评分标准LLM评判器,在显著降低成本和评估时间的同时,大幅提升失败定位与人工标注的一致性,并已部署于企业平台。
2026-10-05 cs.AI
Approximating Human Preferences Using a Multi-Judge Learned System
BAISH | UBA | Apart Research(BAISH | UBA | Apart研究);University of São Paulo(圣保罗大学);Apart Research(Apart研究);Dovetail Research | Apart Research(Dovetail研究 | Apart研究)
本文提出一种通过学习聚合多个基于评估标准的评判器输出来建模多样化角色偏好的框架,包含基于角色的偏好标签合成方法及GAM和MLP两种聚合器实现,有效推进了RLHF奖励模型和模型路由系统等应用。
2025-10-29 cs.AI cs.CL cs.LG
Reinforcement Learning with Robust Rubric Rewards
Huawei Technologies Co., Ltd.(华为技术有限公司)
针对部分可验证的视觉-语言任务,提出RLR^3方法,通过双路径执行评分规则、最小暴露策略和层次聚合,实现从任务级到准则级验证的扩展,在15个基准上平均提升4.7分。
2026-05-28 cs.AI cs.CV
Reliable to Expressive: A Curriculum for Rubric-Following Safety Judges
University of California, Berkeley(加州大学伯克利分校)
提出一种结合动态评分标准和从可靠到表达的课程学习策略,训练安全评判员在多种评分标准下稳定评估,12B模型准确率达94.12-94.88%,跨标准方差仅0.76。
2026-06-08 cs.AI
PReMISE: Policy Rubrics as Measurement Specifications for LLM Judges
Amazon AGI(亚马逊人工智能研究院)
提出PReMISE框架,从人类偏好数据中发现政策级评分标准集,并从结构充分性、可靠性、偏好拟合和对抗鲁棒性四个维度审计评分标准,通过偏好排名选择和可靠性约束修复操作提升评判准确性并降低可被利用性。
2026-10-21 cs.AI
RubricEval: A Rubric-Level Meta-Evaluation Benchmark for LLM Judges in Instruction Following
College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与技术学院);Donghua University(东华大学);Ant Group(蚂蚁集团)
RubricEval旨在解决rubric级评估的可靠性问题,通过多样化的指令和响应以及高质量实例,评估评判者在指令遵循中的表现,发现即使GPT-4o在Hard子集也仅达到55.97%的准确率。
2026-03-26 cs.AI
Graph-Structured Rubrics: Compiling Rubrics into Typed Evaluation Graphs for LLM Judges
Ant Group(蚂蚁集团)
本研究提出图结构评分标准(GSR),将评分标准编译为类型化评估图,在GPT-OSS-120B上较Prometheus式评分提升了精确分数一致性,且在成对评估中取得更高准确率。
2026-08-13 cs.AI
Scoring Higher, Answering Worse: Mitigating Reward Hacking in Rubric-Based RL via Protocol-Level Rubrics
Beijing University of Posts and Telecommunications(北京邮电大学);ByteDance(字节跳动)
针对基于评分标准的强化学习中加法聚合导致奖励黑客的问题,提出协议级评分标准(ProRubric),通过分组聚合提升临床咨询的适当性10.8点且不损失覆盖率。
2026-10-01 cs.AI cs.LG
Rubric-Guided Process Reward for Stepwise Model Routing
University of Science and Technology of China(中国科学技术大学);Southeast University(东南大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
提出RoRo框架,通过收集路由轨迹、构建偏好对、训练Rubricor生成评估准则和Judge评分,结合过程与结果奖励优化路由策略,提升大型推理模型逐步路由的准确性和成本效率。
2026-11-03 cs.AI cs.CL
DRACO: Fine-Grained Credit Assignment with Dynamic Rubrics for Long-Horizon Agent Training
Carnegie Mellon University(卡内基梅隆大学);IBM Research(IBM研究院)
针对长视界智能体训练中缺乏可验证奖励的问题,提出DRACO方法,通过动态生成规则并重新分配判断结果,在AppWorld和Tau-Bench上均取得显著性能提升。
2026-09-04 cs.AI cs.LG cs.SE
Retrieval-Augmented Agentic Rubric Generation for Reliable Medical Response Evaluation
AI Center, University College London(伦敦大学学院人工智能中心)
本文提出一种检索增强的多智能体框架,用于自动生成实例特定的评估评分标准,通过权威医学证据生成可验证的细粒度评估标准,并在HealthBench和LLMEval-Med数据集上取得显著成效。
2026-08-27 cs.AI cs.CL
FinProBench: Evaluating Financial AI Agents with Role-Grounded Rubrics Derived from Professional Deliverables
该研究推出FinProBench金融AI智能体基准及RGRC角色基准构建流程,实验显示RGRC在角色专业化角色评估上优于仅提示方法,角色级复用基准可大幅减少工作量。
2026-08-06 cs.AI cs.CL
EnterpriseBench Corecraft: Training Generalizable Agents on High-Fidelity RL Environments
Surge AI
在高保真RL环境中训练智能体,通过CoreCraft环境验证其在多步骤领域任务中的泛化能力,提升任务通过率并转移至多个基准测试。
2026-03-02 cs.AI cs.LG
PaperBench: Evaluating AI's Ability to Replicate AI Research
OpenAI(开放人工智能公司)
本文提出 PaperBench 基准,通过 20 篇 ICML 2024 论文的 8,316 个可评分子任务评估 AI 智能体复制前沿研究的能力,并开发 LLM 评判器,结果显示最佳模型复制得分仅 21.0%,尚未超越人类基线。
2025-04-07 cs.AI cs.CL
Beyond Score Prediction: LLM-Based Essay Scoring and Feedback Generation via Reinforcement Learning with Rubric Rewards
研究基于大语言模型的作文评分与反馈生成,提出RLAES框架,通过强化学习联合优化。引入RFE评估框架,提出AGFO和ACR方法。实验表明RFE能捕捉一致性,RLAES-AGFO在评分性能上最佳,保持反馈质量同时避免反馈退化。
2026-07-22 cs.AI cs.CL
RAVEN-Eval: Rubric-Guided Automatic Evaluation for AI Video Generation Models Based on LMM Preference Judgement
本文提出RAVEN-Eval框架,基于LMM偏好判断与评分准则引导,可自动评估AI视频生成模型,已筛选任务、收集数据、评估模型与LMM并建立排行榜,为AIVGMs评估提供可扩展路径。
2026-08-11 cs.AI
Breaking the Exploration Bottleneck: Rubric-Scaffolded Reinforcement Learning for General LLM Reasoning
Zhejiang University(浙江大学);Li Auto Inc.(力汽车公司);Nanyang Technological University(南洋理工大学);The Chinese University of Hong Kong(香港中文大学);Hangzhou City University(杭州市大学)
本文提出Rubric-Scaffolded Reinforcement Learning,通过引入检查表式评分标准作为探索和利用的指导框架,突破通用大语言模型推理的探索瓶颈,提升推理能力。
2026-08-01 cs.AI cs.LG
Judging LLM-as-a-Judge: Concerning Rubric Artifacts in LLM-based Automated Text Generation Evaluation
Centre for Responsible AI (CeRAI)(负责任人工智能中心(CeRAI));Wadhwani School of Data Science and AI (WSAI)(瓦德瓦尼数据科学与人工智能学院(WSAI));IIT Madras(印度理工学院马德拉斯分校)
该研究发现LLM-as-a-Judge评估中,仅评分标准就能让分类器达到可观预测性能,且评判者无法可靠更新决策,凸显此类评估的可靠性问题及方法学研究的必要性。
2026-09-04 cs.AI cs.CL
GUI Agents for Continual Game Generation
Fudan University(复旦大学);Xiaohongshu Inc.(小红书公司);Tongji University(同济大学);University of California, Santa Barbara(加州大学圣芭芭拉分校)
提出利用GUI智能体作为客观评估者和主观测试者,通过PlaytestArena和Play2Code框架实现持续游戏生成,显著提升可玩性。
2026-10-05 cs.AI cs.CV cs.HC
Rethinking Rubric Generation for Improving LLM Judge and Reward Modeling for Open-ended Tasks
Meta Superintelligence Labs(Meta超智能实验室)
RRD通过递归分解-过滤循环优化评估标准,提升LLM评判准确性和奖励建模效果。
2026-02-04 cs.AI cs.LG
Mitigating Rubric Interference in LLM Judges via On-Policy Self-Distillation
Peking University(北京大学);Weixin Al, Tencent Inc(腾讯公司微信智能)
本研究针对LLM评审员多评分标准评估时的干扰问题,提出SARA方法,通过策略内自蒸馏提升评估一致性,且该一致性可跨数据集迁移。
2026-08-27 cs.AI cs.LG
Inducing Reward-Free Judging Rubrics that Reduce Over-Crediting in Agent Evaluation
Trinity College Dublin(都柏林三一学院);University College Dublin(都柏林大学学院);Dublin City University(都柏林城市大学)
该研究提出 RubricForge 方法,从带标签轨迹生成无奖励的智能体评判标准,可减少智能体评估中的过度打分,在 tau-bench 和 WebShop 上的表现优于通用 G-Eval 评判器。
2026-08-17 cs.AI
Prosa: Rubric-Based Evaluation of LLMs on Real User Chats in Brazilian Portuguese
Maritaca AI;Jusbrasil
本文提出Prosa基准,通过多判官过滤的二元评分标准减少LLM评分偏差,提升评估的判别能力,验证了评分标准的重要性。
2026-05-02 cs.AI cs.CL
Agreement Without Alignment: Label-Free Rubric Clarification Increases LLM-Judge Consensus but Not Agreement with Humans
CEO Business School(CEO商学院)
本研究提出无标签的标准澄清程序,可提升LLM评审员间的共识,但在三个数据集上均未提升与人类的一致性,相关资源将公开。
2026-10-12 cs.AI cs.CL
RubiCap: Rubric-Guided Reinforcement Learning for Dense Image Captioning
Apple(苹果公司);University of Wisconsin—Madison(威斯康星大学麦迪逊分校)
RubiCap通过基于评分标准的强化学习方法,在密集图像描述任务中实现了更高的胜率和词效,优于监督蒸馏和传统RL方法。
2026-09-29 cs.AI cs.CV cs.LG
Share the Judge, Learn the Deferral: Where Specialization Helps LLM Evaluation
Cheung Kong Graduate School of Business(长江商学院)
该研究探讨大语言模型评估中领域专业化的架构设计,发现将专业化置于弃权而非评判环节,通过共享学习与级联路由可提升评估准确率并降低计算量。
2026-08-24 cs.AI
Self-Preference Bias in Rubric-Based Evaluation of Large Language Models
Sword Health;TransPerfect;ELLIS Unit Lisbon(ELLIS 里斯本分部)
研究探讨了基于评分标准的评估中自我偏好偏差对模型评估的影响,发现即使评分标准客观,自我偏好仍会导致评分偏差,且通过多评委ensemble可部分缓解。
2026-08-04 cs.AI cs.CL
Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Carnegie Mellon University(卡内基梅隆大学);Yale University(耶鲁大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究揭示了基于评分标准的LLM裁判中隐蔽的偏好漂移问题,通过评分标准攻击可系统性降低目标领域准确性,影响模型对齐流程。
2026-09-15 cs.AI cs.CL cs.CR
Grading Needs a Rubric, Not Intelligence
National Yang Ming Chiao Tung University(国立阳明交通大学)
该研究提出any-to-bench设计原则,证实小型语言模型依据明确评分标准评分的可靠性与高成本模型相当,评分标准中的官方答案是关键,可将评分与评分者智能解耦。
2026-08-19 cs.AI cs.CL
MAWILE: Multi-Axis Workbench for Inspecting LLM Evaluators
Megagon Labs
MAWILE是一个开发者工作台,通过四个表面(提示、标准、输入、输出)的受控扰动,审计LLM评估器的敏感性,无需黄金标签,可衡量鲁棒性和敏感性。
2026-09-22 cs.AI
Self-Evaluating Recursive Agents
Tongji University(同济大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiaotong University(上海交通大学);Peking University(北京大学);Nanjing University(南京大学)
SERA将评估能力内化为递归智能体自身,通过训练生成对齐的评分细则来提升分解与求解能力,在TextCraft-Synth和TextWorld-Sync上分别平均提升5.38和13.14分,推理时树搜索再增2.43分。
2026-10-06 cs.AI
From Rubrics to Reliable Scores: Evidence-Grounded Text Evaluation with LLM Judges
Washington University in St. Louis(华盛顿大学圣路易斯分校);Arizona State University(亚利桑那州立大学);Florida State University(佛罗里达州立大学)
提出Rulers框架,通过三阶段推理(任务规范、结构化执行、事后校准)解决LLM在基于评分标准的文本评估中的执行漂移、归因不可验证和人类尺度错位问题,实现更可靠的评分。
2026-09-10 cs.AI cs.CL cs.LG
AnyAudio-Judge: A Dynamic Rubric-Based Benchmark and Evaluator for Audio Instruction Following
Zhejiang University(浙江大学);Shanghai Innovation Institute(上海创新研究院);Shanghai Jiao Tong University(上海交通大学);Tencent Hunyuan(腾讯文脉)
针对指令引导音频生成中复杂指令解耦困难、评估缺乏可解释性和细粒度属性匹配的问题,提出基于动态评分标准的评估范式,通过自适应分解音频描述为可验证的二元评分项,并构建包含7920个样本的双语基准和105K训练语料,结合SFT与GRPO训练专用评估器,在零样本对齐检测和下游强化学习指令对齐中取得显著提升。
2026-09-18 cs.AI cs.SD eess.AS
PRISM: Calibrating Black-Box Judges with Counterfactual Probes
Massachusetts Institute of Technology(麻省理工学院);Sakana AI;Lab for Information and Decision Systems(信息与决策系统实验室);Statistics and Data Science Center(统计与数据科学中心);EECS(电气工程与计算机科学系)
PRISM是一种无需评分规则的黑盒评判器校准方法,通过保持被评估内容固定并测量属性强调/弱化时的评分变化,结合岭回归校正基线评分,在SummEval和HANNA任务中显著提升了与人工排名的一致性。
2026-10-14 cs.AI cs.CL cs.LG
RubricReviewer: From Direct Critique to Objective and Comprehensive Rubric-Driven Peer Review
Shandong University(山东大学);Huawei Technologies Co., Ltd.(华为技术有限公司)
RubricReviewer是一种基于评分规则驱动的框架,通过将评分规则生成为中间步骤,并结合Scout与Aligner模型,生成更全面、具判别性且抗攻击的评审意见。
2026-08-04 cs.AI cs.CL
Autorubric: A Unifying Framework for Rubric-Based LLM Evaluation on Non-Verifiable Tasks
University of Pennsylvania(宾夕法尼亚大学)
Autorubric通过整合多种评分标准评估技术,提供统一的评分框架和默认设置,提升LLM评估的可靠性与一致性,并在多个基准测试中展示了其有效性。
2026-08-11 cs.AI cs.CL
Leveraging LLMs as Meta-Judges: A Multi-Agent Framework for Evaluating LLM Judgments
Intelligent Automation Lab, McGill University(麦吉尔大学智能自动化实验室);Mila, Quebec AI Institute(魁北克人工智能研究所(Mila))
针对LLM评判存在偏见且多响应选择未充分探索的问题,提出三阶段元评判选择流程,利用多智能体协作和全面评估标准,在JudgeBench上显著提升评判质量。
2025-04-23 cs.AI
Inference-Time Scaling of Verification: Self-Evolving Deep Research Agents via Test-Time Rubric-Guided Verification
The Chinese University of Hong Kong(香港中文大学);Tencent AI Lab(腾讯人工智能实验室);Singapore Management University(新加坡管理学院);The Renmin University of China(中国人民大学)
本文提出通过测试时评分指南验证实现深度研究代理的自我进化,通过迭代验证策略模型输出,提升验证能力,实验显示在GAIA和XBench-DeepSearch上准确率提升8%-11%。
2026-04-29 cs.AI
SCRuB: Social Concept Reasoning under Rubric-Based Evaluation
Meta;McGill University(麦吉尔大学)
本文提出SCRuB框架,用于评估大语言模型在社会概念推理方面的能力,通过专家和模型响应对比,展示前沿模型在五个维度上优于人类专家。
2026-05-07 cs.AI
Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models
本研究通过预注册审计发现,通用LLM有用性评分标准无法作为可靠教学信号,其排序具有评判者依赖性,而教学评分标准可有效区分策略,故导师评估应采用教学针对性评分标准与确定性过程测量。
2026-08-04 cs.AI cs.CL cs.CY
Evaluative Fingerprints: Stable and Systematic Differences in LLM Evaluator Behavior
Viore
大语言模型评估器行为存在稳定且系统性的差异,其分歧模式可作为指纹,揭示不同模型对质量的隐含理论。
2026-01-08 cs.AI
LLM-as-a-Tutor: Policy-Aware Prompt Adaptation for Non-Verifiable RL
KAIST(韩国科学技术院);Upstage;University of Toronto(多伦多大学);Carnegie Mellon University(卡内基梅隆大学);NVIDIA(英伟达)
针对不可验证强化学习中训练提示静态导致的问题,提出LLM-as-a-Tutor框架,让大语言模型从评判扩展为导师,通过对比策略展开检测无挑战性提示并添加约束,提升性能。
2026-08-11 cs.AI
IRIS: Interpretable Rubric-Informed Segmentation for Action Quality Assessment
Nagoya University(名古屋大学);National University of Singapore(新加坡国立大学)
人工智能驱动的体育视频动作质量评估(AQA)可以模仿奥运会裁判,以帮助评分作为第二意见或用于培训。然而,这些人工智能方法是不可解释的,并且不能证明它们的分数是合理的,这对于算法问责制很重要。事实上,为了解释他们的决定,而不是主观评分,体育裁判使用一套一致的标准--规则--对每个表演序列中的多个动作。因此,我们建议IRIS执行可解释的标题通知分割的动作序列AQA。我们调查IRIS评分的花样滑冰表演的视频。IRIS预测(1)动作片段,(2)每个片段相对于基础分数的技术元素分数差异,(3)多个程序组件分数,以及(4)总和最终分数。在一项建模研究中,我们发现IRIS的表现优于不可解释的最先进模型。在一项形成性的用户研究中,练习花样滑冰的人同意规则的解释,发现它们很有用,并且更信任人工智能的判断。这项工作强调了使用判断规则来解释AI决策的重要性。
2023-03-16 cs.AI cs.CV cs.HC
ProfBench: Multi-Domain Rubrics requiring Professional Knowledge to Answer and Judge
NVIDIA
ProfBench通过7000多个由专业领域专家评估的响应-评分对,评估大语言模型在处理专业文档、信息整合和生成综合报告方面的能力,揭示了即使顶级模型在专业任务上也面临挑战。
2026-05-16 cs.AI cs.CL cs.LG
The Confident Liar: Diagnosing Multi-Agent Debate with Log-Probabilities and LLM-as-Judge
University of California, Irvine(加州大学伊文斯分校)
研究多智能体辩论中令牌级对数概率、LLM评判分数与任务准确性的关系,发现信心与推理质量在构造者上关联更强,且信心可检测关键推理失败。
2026-06-09 cs.AI cs.CL
CalibratedRubric: Task-Adaptive Rubric Banks for Open-Ended LLM Evaluation
CalibratedRubric是结合特定类型评分、贝叶斯过滤与IRT的任务自适应框架,可提升开放式LLM评估的人工-黄金标准一致性与排序保真度,减少所需评分规则数量。
2026-08-03 cs.AI cs.CL cs.LG
The Lifecycle of LLM-as-a-Judge for Large-Scale Recommendation Explanations
Netflix(网飞公司)
该研究提出用于Netflix大规模推荐解释评估的LLM评判模型生命周期框架,经五周A/B测试证实,其对齐的解释可提升会员对新颖内容的观看及浏览到播放会话量。
2026-09-02 cs.AI
ValueAlpha: Agreement-Gated Stress Testing of LLM-Judged Investment Rationales Before Returns Are Observable
Blossom AI Labs(Blossom AI实验室);Blossom AI
本文提出ValueAlpha协议,通过控制市场状态资本分配原型,评估LLM投资理据的可发表性与有效性,发现低秩系统和单判官排名的依赖性及术语惩罚问题。
2026-04-28 cs.AI q-fin.CP
Generating Data-Driven Reasoning Rubrics for Domain-Adaptive Reward Modeling
Johns Hopkins University(约翰霍普金斯大学);Amazon Web Services(亚马逊网络服务)
本文提出数据驱动的推理评分标准,用于提升领域自适应奖励建模的错误检测能力,实验显示其在技术领域任务准确性提升达45%
2026-02-06 cs.AI cs.CL
ExecRubrics: Executable Tool-Augmented Rubrics for Verifiable and Efficient Long-Form Evaluation
Emory University(埃默里大学);University of Waterloo(滑铁卢大学)
ExecRubrics是将评分标准转化为可执行Python程序的框架,可替代黑盒LLM评判者,在三个长文本基准上实现与自然语言评分标准相当或更优的偏好准确率,且评估延迟降低最多320倍,提升了评估的可解释性与效率。
2026-09-01 cs.AI cs.CL cs.IR