LexReward：面向法律语言模型的分类体系驱动奖励框架
LexReward从三个维度评估法律回答：文风、事实和法规等法律要素，以及法律推理的结构与完整性。该框架为每个维度制定评估标准和质量等级，并将生成的偏好数据用于直接偏好优化（DPO）训练。实验表明，这种评分方式能够可靠地区分回答质量；按维度训练的奖励模型也能通过强化学习提升相应表现，且在评估时无需参考答案。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。