RRT用项目反应理论把评分表判定转成质量奖励,在Qwen3.5-4B上比GRPO高1.7分并省下约一半评判请求
该工作提出Rubric Response Theory(RRT),把评分表准则的通过/不通过判定视为对同一潜在质量的项目反应证据,用两参数项目反应模型推断每条 rollout 的质量作为GRPO奖励,并用Response Parameter Network从提示与准则文本预测准则难度与区分度、以在线EM随策略更新,在Medical、Science、Rubrics as Rewards Science与RubricBench四个数据集上以Qwen3.5-4B为策略时宏观准则得分比GRPO高1.7分,在Medical与Science的Hard与Very hard准则上高2.8至5.6分,且在准则预算减半时自适应Fis