Unified Multimodal Chain-of-Thought Reward Modelthrough Reinforcement Fine-Tuning

2505.03318v1https://arxiv.org/pdf/2505.03318v1

1. 概述

        近年来,多模态奖励模型(RMs)[Wang et al. 2024 2025, Zang et al. 2025, Xiong et al. 2024, He et al. 2024, Xu et al. 2024, Liu et al. 2025a, Li et al. 2025] 在将视觉模型输出与人类偏好对齐方面表现出色,为模型训练提供了关键的奖励信号[Wang et al. 2024 2025, Liu et al. 2025a, Ouyang et al. 2022, Rafique et al. 2023, Schulman et al. 2017]和推理[Gulcehre et al. 202

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

樱花的浪漫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值