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
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程