XNews

RL-XAR、専門家準拠のルーブリックでAIの粗雑な出力を打破

RL-XAR、専門家準拠のルーブリックでAIの粗雑な出力を打破

Meta RAMのRL-XAR手法は、高品質な人間のテキストをアンカーとして使用し、専門家の執筆とAIの粗雑な出力を区別するルーブリックを自動的に最適化します。そのルーブリックはGRPOトレーニングの報酬信号として機能します。論文およびストーリー作成において、Qwen3.5-27Bは人間の専門家に対して89~95%のブラインド勝率を達成しました。

Source posts