先了解这件事
AI 综述
2026年9月30日,面壁智能 OpenBMB 提出 Diffusion Reward Models(DRM),即一种保留人类偏好分歧的分布式奖励建模方法。该方法不再把人类偏好压缩成单一分数,而是学习完整奖励分布,以保留分歧、不确定性与多种合理判断。据同一来源报道,DRM 可用分布不确定性识别不稳定的奖励决策,其分布感知排序在 Best-of-N 选择上优于直接取均值;对固定回复多次采样奖励分布,还能带来新的 test-time scaling 维度。作为训练期奖励时,DRM 在 RLHF 中相比标量奖励基线提升下游策略表现。目前尚无后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
面壁智能 OpenBMB 推出 Diffusion Reward Models（DRM）事件进展
1 个已确认进展
- 来源：面壁智能 OpenBMB
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
9月30日
A6 a6-003 · 面壁智能 OpenBMB
面壁智能 OpenBMB 推出 Diffusion Reward Models（DRM）
面壁智能 OpenBMB 提出 Diffusion Reward Models（DRM），不再把人类偏好压缩成单一分数，而是学习完整奖励分布，保留分歧、不确定性与多种合理判断。DRM 可用分布不确定性识别不稳定的奖励决策，分布感知排序在 Best-of-N 选择上优于直接取均值；固定回复多次采样奖励分布还能带来新的 test-time scaling 维度。作为训练期奖励时，DRM 在 RLHF 中相比标量奖励基线提升下游策略表现。