提出rDPO框架,基于实例特定的清单式评分细则(rubric)进行视觉偏好优化,通过构建指令-细则池实现on-policy数据构建,在公开奖励建模和下游基准上均显著优于基于结果的过滤方法及基线模型。
机构:华为
来源:arXiv 2604.13029 | AI4Papers 论文推荐平台