**并非所有评分标准都同等有效：用于RLVR的策略感知评分标准奖励**

_Not Every Rubric Teaches Equally: Policy-Aware Rubric Rewards for RLVR_

> 该论文针对强化学习中使用评分标准作为奖励信号的问题，指出静态聚合方法会混淆人类赋予的重要性权重和其作为优化信号的实际效用。作者提出POW3R框架，通过在训练过程中动态调整各标准的奖励权重，强调当前能区分策略输出的准则，从而提高GRPO算法的效率和效果。实验表明，该方法在大多数基准测试中优于基线，并能更快收敛。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.20164)