奖励什么时候使用模型，什么时候使用规则？

• What is RLVR (Reinforcement Learning with Verifiable Rewards), and when does it beat a learned reward model?

• 开放式任务 vs 可验证任务的奖励设计本质区别？

• 为什么 2025-2026 的 reward 不再是单一 RM？

• 奖励模型的设计与训练：包括裁判模型（reward model）的构建、打分偏好（如输入顺序偏好）的解决、通用reward model设计、最新范式（如基于大模型打分 vs 规则）、不同任务（数学、代码、字段提取、长对话、agent RL）的reward设计、训练流程、扩充优化、避免堆字数刷奖励、GSPO的reward计算、代码生成引入静态分析指标（如Pass@k）、字段提取业务维度、模型规模选择等。 「字节Seed、字节跳动、美团、腾讯、蚂蚁集团、阿里巴巴、阿里通义」

奖励函数与模型设计 「京东、字节跳动、拼多多、美团、腾讯、蚂蚁集团」

• 规则奖励带来的问题？
• 如果出现主观类问题该怎么判断好坏？

• 【无奖励模型获取奖励】RL中我们不训练reward model，还有什么方法获取reward？ 「腾讯」