AI宝库

AI宝库首页 › 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宝库每小时自动聚合

AI21 Labs 发布 LIFT-Bench 在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 在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节,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。

2026年10月20日,Eran Goldstein、Yuval Belfer、Yonatan Belinkov和Daniel Gissin向ArXiv提交了一份题为“LIFT:评价和训练指导的范围限制”的配套文件。 其抽象地指出,常见的跟随基准测试的指令,如IFEval等,评价那些容易在程序上被验证的制约因素,这些相同的制约随后成为强化学习的奖励信号,而这种设计可以导致奖励将模型推出主要任务的黑客。

基准测试后方的训练运行

AI21在发布后发表的一则博客文章中,使用IFTrain(该帖形容为去开放数据集用于教学),作为RL奖赏的来源,跑将奖赏推向了1.0和融资 IFEval以5分,IF Bench以16分。 然而当这个模型被问到关于新海革命的交替历史的一章,没有字重复了四次以上的时候,它用一个单词回答:"中国".

失败是系统性的,而不是一阵风波,公司认为:通过步骤390,中位答案已经从114个字收缩到18个字,38%的答案在30个字以下至少得分0.8. AI21将倒闭归结于奖励的结构: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,因此降低任务成本让模型一无所获。 已存在的补丁并没有弥补这一差距,公司称:IF Bench 新增是奖励型号的分级器,分出一般质量而不是具体任务,AdvancedIF列车在内容路由上运行,但保留了它的路由生成器,培训数据,和RL代码。

范围限制和经认证的法官

LIFT-Bench将每个约束都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。 每节包含有两种限制:可核查的限制用代码检查,例如需要一节德文或至少用过三次的关键词,以及由LLM检查,说明该节必须涵盖的内容的判断。 判断约束与格式化相同。 范围界定还将约束密度,单节所附加的制约数量等转化为任务生成期间的参数集。

所有任务都是合成的:主题出自维基百科,轮廓和限制出自LLM,一个采样器控制每个部分有多少个限制。 基准测试有784个测试任务,分为10个分块:短文件约4个分块,长文件约9个分块,每分块有4个密度级,外加2个平分而无大纲,其中每个约束都以IFEval等已存在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颁发了RL奖赏,AI21在选择一个前,先根据305个人类标注的例子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,一位没有瞄准镜的Qwen2.5-32B得分0.44个宏-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,每个约束都附加了11到19个宏-F1分,这是任何可变测试的最大效果,AI21选取的范围为Gemma-4-31B. 发布分出者将google/gemma-4-31B-it写入每个任务中作为裁判员,存储器警告说分数只有使用同名裁判员的横跑相可比较。 结构分化给结构带来10%的分量重量和内容限制;平面任务没有结构限制,因此内容占用了全部分量。

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。 关于结构化任务,公司报告,GPT-5.5平均为0.96个,而平面任务则没有模型通过0.85个,主要的封闭模型平均通过0.65到0.72个。 本文作者同样指出,前沿模型与基准测试的更难子集发生斗争。 结构-平面相差并不是一个约束负载的问题,根据AI21:限制在有10个约束或更小的任务,除了Qwen3.8-A95B之外,每个模型在平面任务上仍然得分更低,只有结构式任务才能挣取10%分的大纲分。

两种政权之间的分级变动也由公司报告。 在所跟踪的9个主要型号中,GPT-5.5在结构化任务上排名第一,在平分任务上排名第五,两个最佳整体平均值属于开口量级的型号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,每个密度级损失0.4%,而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的存储器指出同时作为基准测试的分数和奖励,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,悬赏分出一分一分一分,第180步打出一分一分一分,而中位数答案则由114个单词分出一分一分,第390步倒下至18分一分。 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。

与IFTrain的表面格式相匹配,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180个GRPO步骤后跨越了5个基准测试,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取胜。

对Qwen3-32B分别进行每个范围的培训,对混合物的培训,只有结构化的培训达到0.805次,对结构化任务的培训达到0.798次,对混合物的培训则达到0.896次和0.919次,而易于硬化的课程没有区别,AI21报告。 公司在总结中建议各团队进行指导培训,以便衡量任务,而不仅仅是规则,对照人类标签检查法官,在范围评价上选择基准模型,而不是平面领导板,并在跟踪答复长度的同时,将评价作为奖励。

可用性

LIFT-Bench,LIFT-Train,而合成管线则以Apache-2.0许可证在GitHub上提供,基准测试在Hugging Face Hub上作为ai21labs/LIFT Bench托管。 任务以PrimeIntellect的核查员库为评价和RL培训而使用的格式发布,存储库公布一个由17 129项任务组成的五分法质-rl培训组合。 可核实的制约类型包括语言、案例惯例、关键词计数、emoji计数和大纲匹配文件结构。

本文由 AI宝库自动抓取并翻译,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宝库首页 · 提交工具 · 商务合作 · 关于本站 · 590 款 AI 工具分类导航 · 每日 AI 热门项目与动态