跳转至

RRC: Unlocking Generative Reward Models in LLM Reinforcement Learning via Ranking-Based Reward Construction

复现级别：核心机制 mini-suite。 本地实现执行论文特有的 生成式奖励模型 算子；不把确定性小型评测写成论文完整复现。

论文信息

字段 内容
论文链接 arXiv 2608.06310
公司/机构/学校 Northeastern University
首次公开日期 2026-08-06（arXiv v1）
原文开源代码 是：https://github.com/wangclnlp/RRC
Adapter rrc
本地复现代码 src/auto_research/post_training/latest_20260809.py

原始论文总结

背景与主要改动

主题：生成式奖励模型。 生成式 RM 擅长相对比较，却被传统 RL 强制压成独立标量。RRC 用组内自竞争排序和少量 anchor 排序构造中心化 reward。

主要架构

flowchart LR
    N0["候选回答组"] --> N1
    N1["生成式 RM 比较"] --> N2
    N2["self-competitive rank"] --> N3
    N3["anchor-guided rank"] --> N4
    N4["策略更新"]

原论文关键图

RRC: Unlocking Generative Reward Models in LLM Reinforcement Learning via Ranking-Based Reward Construction 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(r_i=\frac{\operatorname{rank}(y_i)-\bar r}{K-1}+\lambda r_i^{anchor}\)

论文离线效果

AlpacaEval2 由 35.8% 提至 41.3%，ArenaHardV2 由 8.0% 提至 11.2%。

本地复现

稳定指标保存在本论文目录的 metrics/arithmetic-smoke-seed42.json，不提交 checkpoint 或原始运行目录。

auto-research post-train --algorithm rrc --dataset arithmetic-smoke --steps 120 --seed 42

本地对照口径：rrc 与同一公开 mini-suite 的无该机制控制组比较；仅报告本地产物中的指标，不把原文大模型/真实环境结果移植为本地提升。

复现边界

  • 复现论文特有的状态、信用或选择算子，而非只改方法名。
  • 未运行原文大模型、专有环境或昂贵 judge；这些缺口不会标注为“已接入”。
  • rrc 已加入统一 evolve 候选发现；组合 genome 仍受公共评测与预算约束。