近年来，随着大模型从单一问答，走向深度钻延注医疗征询、多模态天生和长程 Agent 工作，一个基础问题变得越来越难回覆：我们到底应该怎么判断模型输出的质量？ 以 Deep Research 汇报评估为例，传统步骤可能只是对比天生汇报和参考汇报的文本差距，或者让大模型给一个总体分数。但一篇好汇报并不愿定要和参考汇报写得一样，也很难用一个抽象分数概括。它必要同时满足多个要求，例如是否回覆了用户问题、覆盖了关键信息、引用了靠得住证据、论证是否清澈、结论是否有效等等。 Rubrics 的作用，就是把这些吞吐的「好汇报」尺度拆解成明确的评价项，让评审者或 judge model 逐项查抄和打分。这样不仅能判断汇报总体好不好，还能指出具体问题，并进一步把这些细粒度反馈转化为训练信号，援手模型针对覆盖不及、证据不充分或逻辑不清等问题进行优化。 这意味着，大模型的训练与评测在从单一正确性信号，转向多维度、可诠释的质量尺度。Rubrics，在成为衔接人类进展、工作要求和模型行为的沉要接口。 近日，来自中国人民大学高瓴人为智能学院的钻研团队颁布综述论文《The Rules of the Game: A Survey of Rubrics for Large Language Models》。论文共 40 页，系统梳理了 Rubrics 在大模型中的界说、机关步骤、训练利用、评测场景与盛开挑战。论文同时守护了持续更新的 GitHub 项目，方便社区跟踪这一急剧发展的方向。 早期大模型的工作往往拥有相对清澈的输入输出大局，并且答案的正确性是容易评估的。例如问答工作能够比力尺度答案，代码工作能够运行测试用例，数学工作能够验证最终了局。对于这些工作，正确率、执行成功率或规定化嘉奖可能提供较直接的训练和评测信号。 但随着模型能力扩大，工作难度也产生了显著变动。大模型在被要求实现更盛开、更高风险、更复杂的工作。例如：自动搜索资料并天生钻研汇报；在医疗、司法、金融等专业领域给出分析；挪用表部工具实现多步工作；在多模态场景中天生或理解复杂内容。此时，输出质量通常不再由一个答案决定，而是由多个维度共同决定。 Rubrics 的价值在这里显露出来。它将「好答案」拆解为一组明确的评价项，例如事实正确性、覆盖度、证据支持、推理严谨性、安全性、体式合规性和现实可用性。评测者能够逐项打分，也能够将这些分数聚合为最终了局。与一个黑箱分数相比，Rubrics 提供的是可查抄、可调整、可诊断的质量尺度。 在教育评估中，rubric 通常指一套评分指南：它注明评估者应该看哪些方面，以及分歧质量水平别离意味着什么。放到 LLM 中，Rubrics 能够理解为一组天然说话大局的评价尺度，每个尺度对应一个具体、可评估的质量维度。 这篇综述给出了统一大局化：一个 rubric set 能够由若干 rubric item 组成，每个 item 蕴含天然说话描述（具体的 rubrics 示例能够拜见图 1 下半部门）和沉要性权沉；对于输入工作和模型输出， judge model 逐项给出分数，再通过均匀、加权求和或隐式聚合得到整体评价。 更沉要的是，论文对 Rubrics 与几个容易混合的概想进行了分辨和会商。LLM-as-a-Judge 解决的是「谁来评」，Rubrics 解决的是「按什么尺度评」；reward model 通常直接输出一个标量分数，而 Rubrics 将评价尺度显式列出；RLVR 依赖自动可验证的答案，而 Rubrics 更适合那些必要多维度判断、难以齐全验证的盛开式工作。 Rubrics 是否有效，首先取决于它们自身是否足够好。一个过于宽泛的尺度，例如 “回覆该当有援手”，很难提供不变的训练和评测信号；一个过于细碎或沉复的尺度，又可能带来冗余评分和噪声。 第二类是对比天生。相比只看一个答案，对比天生会输入偏好对，例如一个高质量回覆和一个低质量回覆，让模型总结二者差距，从而提取更有判断力的尺度。 第三类是迭代优化。钻研者起头不再把 Rubrics 机关当成一次天生工作，而是引入迭代地验证、分化、过滤等流程。例如检测某个尺度是否能不变区吩飓好对，递归拆分过粗的尺度，最终得到更原子、更紧凑的 rubric set。 第四类是在线与共同演化。对于强化进建和 Agent 工作来说，静态 Rubrics 可能很快过期。因而，部门工作尝试让 Rubrics 随着 policy rollouts 更新，将新出现的谬误行为纳入评价尺度，使 Rubrics 与模型训练过程共同演化。 在模型训练中，Rubrics 的主题作用是把复杂质量要求转化为可优化的监督信号。相比一个整体偏好标签，Rubrics 能通知模型「哪里做得好、哪里必要改」，因而出格适合盛开式工作和多步 Agent 工作。 尺度的基于 rubrics 做 policy RL 的方式是：给定输入和模型天生的回覆，judge model 按 Rubrics 逐项打分，再将分数聚合为一个嘉奖，用于 PPO、GRPO 等强化进建算法。这个过程能够作用在最终答案上，也能够作用在齐全轨迹上。对于工具挪用 Agent、深度钻研 Agent 或多模态推理模型，轨迹级 Rubrics 尤其沉要，由于好多谬误并不会直接体此刻最终答案中。示例图如下： 不外，将多维 Rubrics 单一加权为一个标量嘉奖是比力粗粒度且不矫捷的，由于分歧尺度之间可能存在依赖、矛盾或硬约束关系。例如医疗问答中的安全性不应只是一个通常加分项，而可能是 veto 前提（一旦违反则 reward 为 0）�；�于此，很多工作进一步提出设计更先进更鲁棒的 rubric reward：蕴含可进建的 Rubric 权沉、引入 veto 或 saturation 机造、结合环境反馈、按难度进行 curriculum 训练，以及在 RL 算法内部结合 rubrics 设计优势估计。 还有一类工作将 Rubrics 从「过后打分工具」推动为「天生过程中的领导」。模型能够先天生或读取 Rubrics，再据此规划回覆；也能够把未满足的 Rubric 转化为反馈，领导下一轮改写。这意味着 Rubrics 不仅能通知模型一个输出得几多分，还能援手模型索求更高质量的输出空间。 Rubrics 也被越来越多地用于 reward model training。传统 reward model 往往只输出一个标量分数，难以诠释为什么某个回覆更好。引入 Rubrics 后，reward model 能够被训练为先凭据尺度进行分析，再给出偏好判断；也能够输出多个维度的分数，并通过显式聚合得到最终 reward。凭据综述的整顿，Rubrics 在 reward model training 中重要阐扬三类作用。 传统 reward model 通常直接输出一个标量分数，评价尺度隐含在模型参数中，钻研者很难判断模型到底凭据什么做出偏好判断。引入 Rubrics 后，嘉奖模型能够被训练为先萦绕给定尺度进行逐项分析，再输出最终偏好判断；也能够对分歧 rubric 维度别离打分，再通过显式聚合得到最终 reward。这样一来，嘉奖模型不再只是一个黑箱打吩祺，而是可能展示「为什么这个回覆更好」「哪些维杜装响了最终分数」。 除了最终偏好是否正确之表，Rubrics 还能够作为结构化参考单元，用来约束嘉奖模型的中央分析过程。例如，一些工作会将人为标注或老师模型天生的理由拆解为 rubric-level 的参考信号，并在训练中激励 reward model 的分析过程与这些尺度维持一致；也有步骤要求模型先天生 Rubrics，再进行分析和判断，并通过额表的 proxy model 评估天生 Rubrics 的质量，从而把 Rubrics 自身也纳入优化指标。 传统偏好数据中往往蕴含长度、体式、语气等浅层线索，reward model 可能学会这些表表特点，而不是进建真正决定回覆质量的成分。Rubrics 能够援手鉴别影响回覆质量的主题维度，并据此机关更有针对性的训练样本，使嘉奖模型更关注事实性、齐全性、安全性、推理质量等内容尺度，而不是依赖「回覆更长」「体式更整齐」这种。 除了训练，Rubrics 另一个常见的用处是模型评测。对于盛开式工作，Rubrics 相当于一份显式的评价尺度：它界说了必要查抄的维度，若何给分等等。本文依照通用工作和领域特定的工作对已有的基于 rubrics 评估的 benchmark 进行了分类： 在通用工作中，Rubrics 已被用于推理能力、深度钻延注盛开式天生、通用 Agent 能力和对齐评测。例如在数学推理工作中，评测不再只看最终答案，还会查抄中央步骤的正确性；深度钻研工作的评测会同时关注信息覆盖、证据支持等维度；Agent 工作有关的评测则进一步关注工具选择、参数挪用、和多轮执行靠得住性等方面。 在专业领域中，Rubrics 的价值更显著。例如，在医疗问答领域，人们必要专家造订尺度来查抄模型回覆中的医学正确性、安全风险和沟通质量等等；在司法和金融工作中，我们必要评估事实合用、过程可审计、风险披露和实务可操作性；在这部门，综述依照评估的对象（中央轨迹和最终答案）和尺度（事实性、安全性、专业表白和现实可用性）对已有的工作进行了具体的分类和会商。 首先是 reward hacking。模型在训练过程中可能学会 hack rubrics 的表表特点，而不是真正提升工作质量。若何设计更稳重的 Rubrics、并让设计 Rubrics 随训练过程的更新机造，是未来沉要方向。 其次是 rubric-based reward model 的泛化。好多 Rubrics 来自特定工作或领域，reward model 可能过拟合这些尺度而迷失泛化性。未来必要钻研若何让嘉奖模型在新工作、新领域下依然有效地基于 Rubrics 进行 reward 推算，尤其是在医疗、司法、金融和科学推理等高门槛领域。 第三是评测误差。Rubrics 能够提高评测的可诠释性，但并不能自动解除 bias。Rubric 的写法，judge model 的拔取等等城市对最终的评测产生 bias。若何设计更鲁棒更不变的 Rubric-based evaluation 是一个必要解决的问题。 此表，个性化 Rubrics 和 Rubric 安全也在成为新问题。个性化 Rubrics 能够更好地刻画用户偏好，但也可能过杜篆合浅层偏好，甚至与安全尺度矛盾。与此同时，Rubrics 自身也可能成为攻击面：恶意或荫蔽的尺度改写可能偷偷扭转 judge 的偏好方向，并进一步影响训练数据和模型行为。 这篇综述的主题意思，不只是列举了 Rubrics 有关工作，而是把一个在急剧扩张的钻研方向放进了统一框架中：Rubrics 是大模型训练与评测中的显式质量接口。它界说尺度，组织反馈，衔接人类偏好、工作约束与模型优化。 随着大模型持续走向盛开式、高风险和 Agentic 利用，系统必要的不只是更强的天生能力，还必要更明显的质量界说。Rubrics 的价值在于此：它让「好答案」不再只是一个吞吐直觉，而成为一组能够会商、查抄、批改和优化的明确尺度。