Hugging Face发布RewardVerse视频奖励模型研究

发生了什么

据Hugging Face Papers报道，RewardVerse是一种基于评分标准引导策略优化的视频奖励建模方法。该方法引入动态评分标准作为评估查询与评分器之间的中间表示，通过先生成明确评估标准再进行评分，提供稳定的语义锚点以缓解标量漂移问题。研究提出了两阶段训练算法RGPO，在EvalVerse基准测试中实现了最先进的性能，为视频生成的强化学习提供了稳健且可解释的奖励信号。