字节跳动提出ProRubric缓解RL奖励黑客

发生了什么

据Hugging Face Papers报道，字节跳动团队在arXiv论文中提出ProRubric方法，旨在解决基于量表的强化学习（Rubric-RL）中的奖励黑客问题。该方法通过协议级量表将检查项分组聚合，防止模型通过无关细节补偿关键错误。实验显示，在Qwen3-4B模型上，该方法使适当性提升10.8分，同时保持覆盖率并改善基准表现。