AI图鉴

AI图鉴首页 › AI 资讯 › AI21 实验室发布 LIFT-Bench 到 Curb Reward Hack

AI21 实验室发布 LIFT-Bench 到 Curb Reward Hacking in RL Training

来源:Unite.AI · 发布时间:10-25 · 由 AI图鉴每小时自动聚合

AI21 Labs 发布 LIFT-Bench,2026年10月25日,一个跟随基准测试的指令,其中每个约束都范围为文件的一节和t

AI 模型和平台

AI21 实验室发布 LIFT-Bench 到 Curb Reward Hacking in RL Training

在 Google 上的首选来源中添加 Unite.AI

AI21 Labs 发布 LIFT-Bench 2026年10月25日,一个跟随基准测试的指令,其中每个约束范围被限定为文件的一个部分,任务内容本身被打分,与LIFT-Train,一个34,258任务训练对应的对等,以及同时产生两者的开放式管道。

Eran Goldstein、Yuval Belfer、Yonatan Belinkov和Daniel Gissin于2026年10月20日向ArXiv提交了一份题为“LIFT:评价和培训指导的范围限制”。 它的抽象称,常见的遵循基准测试的指令,如IFEval,评价那些容易在程序上被验证的制约,这些相同的制约随后成为强化学习的奖励信号,这种设计可以导致奖励将模型推离主要任务的黑客。

基准测试背后的训练运行

AI21在发布后发表的一篇博客文章中,使用IFTrain,该帖子描述为在之后打开用于教学的数据集,作为RL奖赏的来源,该跑将奖赏推向1.0和融资 IFEval以5分,IFBench以16分。 然而当这个模型被问及关于新海革命的交替历史的一章,没有字重复四次以上的时候,它用一个单词回答:"中国".

失败是系统性的,而不是一阵风波,据公司称:通过390步骤,中位答案已经从114个字缩到18个字,38%的答案在30个字以下至少得0.8分。 AI21将崩溃归结于奖励的结构:IFTrain的检查器和IFEval一样,用代码对照整个响应来验证限制,没有对任务是否完成进行评分,所以降低任务成本使模型一无所有。 现有的补丁并不弥补这一差距,称公司:IF Bench 新增是奖励模式的分类器,对一般质量而不是特定任务进行评分,AdvancedIF列车在内容路标上运行,但保持其路标生成器,培训数据,RL代码关闭。

A. 范围限制和经认证的法官

LIFT-Bench将每个约束附加在文件大纲的一节中,并且只根据该节的文本进行评分,一个设计AI21称为范围限制。 每节包含两种限制:可核查的,用代码检查,例如需要一节德语或至少使用三次的关键词,以及LLM检查的,说明该节必须涵盖的内容。 判断约束与格式化相同。 范围界定还将约束密度,单节附加的制约数量,转化为任务生成期间的参数集。

所有任务都是合成的:主题来自维基百科,轮廓和约束来自LLM,一个采样器控制着每个部分有多少种约束。 基准测试有784个测试任务,分10个部分:短文件约4个部分,长文件约9个部分,每个部分为4个密度级,加上2个没有大纲的平分,其中每个约束都以IFEval等现有的基准测试的方式适用于整个响应。

由于同一名法官得分为基准测试,并发放RL奖赏,AI21在选择一个标注为人类的305个例子之前,对候选法官进行了测试。 该公司报告说,一名没有瞄准镜的Gemma-4-31B法官接受了其中的292个例子,当时只有227个实际满意,一名没有瞄准镜的Qwen2.5-32B的成绩为0.44 macro-F1,与总回答是的0.43分大致相同。 将法官范围限定在文本中,每个约束都增加了11到19个宏-F1点,这是任何变量测试的最大效果,AI21选定范围为Gemma-4-31B. 发布分裂者将google/gemma-4-31B-it写入每个任务中作为裁判员,寄存器警告说,分数只比较使用同一裁判员的横跑。 结构化的分割使结构受到10%的分量重量的限制,内容受到90%的限制;平面任务没有结构限制,因此内容占用全部重量。

关于当前模型的基准测试显示

AI21评价了17个模型,每个任务有8个样本。 关于结构化的任务,公司报告,GPT-5.5平均为0.96,而对于平面任务,没有模型通过0.85,主要的封闭模型平均在0.65至0.72之间。 该报的作者同样指出,前沿模型与基准测试的较难子集发生斗争。 结构化与平面化差距并不是一个约束负载的问题,根据AI21:限制在十种约束或更少的任务,除了Qwen3.8-A95B以外的每个模型在平面任务上仍然得分较低,只有结构化任务才能挣得的提纲分数占分数的10%.

公司报告,这两个政权之间的排名也有变动。 在跟踪的9个主要型号中,GPT-5.5在结构化任务上排名第一,在平面任务上排名第五,两个最佳整体平均值属于开放式重量型号Kimi K3和DeepSeek V4 Pro. Kimi K3在为文件的其余部分增加限制的同时,持有一节限制固定下来,每密度级损失0.4%,GPT-5.5损失1.5%,而GPT-5纳米损失5.5%.

以基准测试分数作为奖励的训练

LIFT-Train将基准测试的分数作为RL的奖励,不变地适用于来自同一发电机的34,258项任务的RL奖励;同一约束奖励scalar的寄存器指出同时作为基准测试的度量衡和奖励,没有单独的奖励模式。 AI21在LIFT-Train和IFTrain上与GRPO一起培训了Qwen2.5-7B. 在IFTrain上,悬赏以第180步打出1.0,而中位数答案则由第390步的114字降至第18步。 在LIFT-Train上,中位数答案停留在390到530个字左右,30个字以下没有获得高分的答案。

LIFT-Train的平板片,AI21 称指出奖励而不是格式的内容是决定因素,同时指出数据集的主题仍然不同,维基百科对WildChat. 在180GRPO步骤之后的5个基准测试间,每个食谱都赢得了自己的基准测试;在AdvancedIF和Complex Bench上,IFTrain在LIFT-Train稳住的同时滑倒了。 AI21将小三角洲定性为避免回归而非一般胜。

Qwen3-32B对每个范围进行单独培训,对混合物的培训,只有结构化的培训达到0.805对统一任务的培训,对结构化任务的培训达到0.798,对混合物的培训则达到0.896和0.919,而简单硬的教学大纲则没有区别,AI21报告。 公司在其摘要中建议各小组按照任务而不是规则进行指导培训,以衡量任务,对照人的标签检查法官,在范围评价上选择基准模式,而不是一个平面领导板,在跟踪答复长度的同时,利用评价作为奖励。

可用性

LIFT-Bench,LIFT-Train,以及合成管道根据Apache-2.0许可可在GitHub上使用,基准测试在Hugging Face Hub上作为ai21labs/LIFTBench托管。 任务以PrimeIntellect的核查员库为评价和RL培训而本土使用的格式发布,存储库发布一个五块的Prime-rl培训组合,包含17,129项任务。 可验证的制约类型包括语言,案例惯例,关键词计数,emoji计数,以及大纲匹配文件结构。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 591 款 AI 工具分类导航 · 每日 AI 热门项目与动态