只看答案
最终选项正确就是 1，无法识别碰巧答对、图中数字读错或推理跳步。
逐项评分
每条评分项只判断一个事实或推理，并带正负权重。
前缀归因
判分模型返回支持该评分项的原句，训练信号只覆盖到这句话结束的位置。
01 · 问题arXiv:2608.25580
答案对了，不代表看图和推理过程也对了
V-Rubrics 把一条视觉问答（VQA）回答拆成视觉事实、推理和指令遵循等独立评分项，再把每项训练权重放到相关回答前缀。
论文第 1、3 节1 / 12
02 · 数据构建50,248 个样本
17 个来源经过过滤、8 次回答生成和自动评分项标注
1候选数据
示意图、图表、文档、数学与通用视觉问答。
2规则过滤
检查能否验证、是否过于简单、语言质量和重复样本。
3生成 8 次
固定的监督微调（SFT）策略模型生成回答。
4划分难度
0/8 困难；1-5 中等；6-7 简单；8/8 丢弃。
5自动标注
Gemini-3-Pro 生成视觉事实、推理一致性和指令遵循三类评分项。
论文第 3.2-3.4 节与附录 C2 / 12
03 · 数据集评分项统计
50K 样本对应 352,938 条评分项
209,436视觉忠实度 VF，59.3%
101,369推理一致性 RC，28.7%
42,133指令遵循 IF，11.9%
未报告人工抽样审核或标注者一致性。
论文附录 C.2、表 43 / 12
04 · 真实数据行AI2D 科学示意图数据集 · 样本 2501
真实案例：一张潮汐示意图被拆成六项检查
问题是 “What is represented in this image?”，即“图中表示什么？”；参考选项 (3) 是 spring tide（大潮）。rs_score 记录 8 次回答中的正确次数；0/8 表示全部答错，因此属于困难样本。
| 评分项名称 | 类型 | 权重 | 要求 |
|---|---|---|---|
| Identify_Objects | VF | 5 | 识别太阳、地球、月球。 |
| Visual_Alignment | VF | 5 | 指出三者在一条直线上。 |
| Tidal_Bulge_Observation | VF | 4 | 识别海洋潮汐隆起。 |
| Reasoning_Alignment_Effect | RC | 4 | 解释引力叠加造成最高高潮。 |
| Selection_of_Spring_Tide | IF | 5 | 选择大潮 / 第 3 项。 |
| Distinguish_from_Neap_Tide | RC | 3 | 说明小潮需要 90° 夹角。 |
Hugging Face 官方数据行：唯一编号（UID）chart_02501_3c2e68644 / 12
05 · 部分得分沿用同一案例
只答 “spring tide” 会得到什么？
评分项得分
若判分模型只认定 Selection_of_Spring_Tide 成立，则正权重总和为 26，评分项得分 = 5 / 26 = 0.1923。
论文中的语义奖励
若最终答案奖励为 1 且 α=0.5，则 R = 0.5×1 + 0.5×0.1923 = 0.5962。训练时还会在同题回答之间做标准化。
这个分数按公开数据行与论文公式重算。真实判分模型可能对其他评分项给出不同判断，因此它不是作者记录到的训练日志。
论文公式 3-7；公开数据行 25015 / 12
06 · 判分边界只根据文字核对评分项
评分项判分模型不看原图
输入模型回答
模型生成的完整文字。
输入一条评分项
Gemini 预先写好、可单独判断的描述。
判分Qwen3-VL-235B
输出是或否；前缀模式还返回支持句。
归因得分与位置
为整段回答或相关前缀构造训练权重（advantage）。
如果自动标注漏掉图中事实，训练时的判分模型无法回到原图补救；视觉忠实度奖励的上限受评分项质量约束。
论文第 3.5、4.1 节；仓库文件 sequence_rubric_reward.py6 / 12
07 · 前缀归因机制GRPO：按同题多次回答的相对得分训练
每个评分项单独标准化，再只影响相关回答前缀
Aₜ = α z(R_ans) + (1 - α) Σⱼ ρⱼ z(sⱼ) · 1[t ≤ tⱼ,end]
逐项标准化
答案奖励与每条评分项分别在同一道题的多次回答中计算标准分（z-score）。
前缀遮罩
支持句结束位置为 tⱼ,end；更早的 token（模型处理的文本单位）接收这项权重。
对齐失败
支持句无法可靠定位时，这项权重退回整段回答。
论文公式 5-7；仓库中的模糊匹配阈值为 60。7 / 12
08 · 主要结果表 1-2
相对只看答案的 GRPO，评分项奖励的平均增量有限但为正
通用与知识类
SFT
64.93
只看答案
66.25
评分项 GRPO
68.04
视觉推理类
SFT
58.45
只看答案
61.94
评分项 GRPO
62.45
图中指标按相同权重取平均；评分项方法比只看答案高 1.79 和 0.51 个百分点。8 / 12
09 · 负结果并非所有评测都提升
部分评测基准上，评分项模型反而低于只看答案的 GRPO
| 评测指标 | 只看答案 | 评分项 GRPO | 差值 |
|---|---|---|---|
| MMBench-Dev | 86.94 | 86.51 | -0.43 |
| MathVerse V/O | 52.16 | 49.37 | -2.79 |
| CharXiv 推理项 | 57.00 | 56.60 | -0.40 |
| MathVision 测试集 | 56.71 | 58.88 | +2.17 |
| LogicVista | 60.63 | 62.42 | +1.79 |
论文表 1-2；差值按表中数据重算，单位为百分点。9 / 12
10 · 消融实验警告论文配置与公开默认值
两个公开启动脚本同时改变了奖励权重与归因方法
| 公开模式 | 答案 | 格式 | 评分项 | 作用范围 |
|---|---|---|---|---|
| rubric-sequence | 0.10 | 0.10 | 0.80 | 整段回答 |
| rubric-prefix | 0.50 | 0.05 | 0.45 | 逐项标准化 + 前缀 |
论文表 3 报告 67.74→68.04，并说明差异同时包含逐项标准化与前缀定位。若用公开默认配置复现，还会同时改变奖励权重；当前材料不足以把 0.30 个百分点归给单一机制。
官方仓库版本 6515819：training/rl/README.md 与 paper_grpo.sh10 / 12
11 · 可复现性已知配置差异
代码公开程度较高，但复现实验仍需记录被覆盖的默认参数
已经公开
- 50K 数据集与评分项格式
- 答案、整段评分项、前缀评分项三种奖励代码
- 开源强化学习训练框架 VERL 的修改补丁、评测程序与测试
仍需澄清
- 论文学习率 2e-6；启动脚本默认 1e-6
- 论文答案基线批大小 480；启动脚本默认 192
- Gemini 自动标注没有人工审计
- 上游图片许可不统一
论文表 6；官方仓库版本 651581911 / 12
12 · 结论兴趣度 7.5 / 10
可复用的设计：把回答拆成可独立判断的陈述
有效的部分
最终答案、视觉事实、推理步骤与指令约束不再挤进一个数值；模型可以得到局部训练权重。
下一项实验
固定相同的奖励总权重，只改变整段、逐项和前缀三种归因方式；同时让判分模型看到原图，并抽样做人工标注审计。
博客作者兴趣度只表示本人对主题的兴趣，不是论文质量评级。12 / 12