RewardVerse：面向视频奖励模型的准则引导策略优化
RewardVerse旨在缓解视频奖励模型的评分不稳定问题。当模型将主观的视频质量直接映射为单一分数时，评分尺度可能随提示而漂移。该框架先生成适应具体查询的动态评估准则，再据此进行评分。两阶段训练算法RGPO先用不断演进的种子准则预热评分器，随后联合优化准则生成器和评分器。研究团队称，在16维EvalVerse基准和外部数据集上的实验显示，该方法能够减轻评分尺度漂移，并在单项评估和成对评估中取得较好表现。其目标是为视频生成中的强化学习提供更稳定、可解释的奖励信号。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。