RL-XAR 利用专家对齐评分标准击败AI劣质内容

Meta RAM的RL-XAR方法利用高质量人类文本作为锚点,自动优化能够区分专家写作与AI劣质内容的评分标准。这些评分标准随后作为GRPO训练的奖励信号。在论文和故事写作中,Qwen3.5-27B针对人类专家实现了89-95%的盲测胜率。

Meta RAM的RL-XAR方法利用高质量人类文本作为锚点,自动优化能够区分专家写作与AI劣质内容的评分标准。这些评分标准随后作为GRPO训练的奖励信号。在论文和故事写作中,Qwen3.5-27B针对人类专家实现了89-95%的盲测胜率。