[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-rubric-based-dpo-visual-preference-tuning-zh":3,"article-related-rubric-based-dpo-visual-preference-tuning-zh":25,"series-research-d3ac3e85-c296-4015-94f0-559222351ea3":76},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":22,"created_at":23,"published_at":24,"topic_cluster_id":11},"d3ac3e85-c296-4015-94f0-559222351ea3","rubric-based-dpo-visual-preference-tuning-zh","用 rubric 讓視覺偏好訓練更精準","\u003Cp>很多偏好最佳化流程，都默認一件事：只要 A 比 B 好，模型就能從這組 pair 學到東西。但這篇 arXiv 論文提醒我們，這個假設放到多模態任務時，常常太粗。論文提出 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.13029\">Visual Preference Optimization with Rubric Rewards\u003C\u002Fa>，簡稱 rDPO，想把原本只看整體輸贏的訊號，改成更像 checklist 的、針對單一樣本設計的 rubric。\u003C\u002Fp>\u003Cp>白話一點說，視覺任務的好壞，常常不是「整體感覺比較好」而已，而是有沒有看對物件、有沒有跟著指令做、以及有沒有處理好圖像裡那些很細的限制。若偏好資料沒有把這些差異寫清楚，最佳化器很可能學到錯的重點。rDPO 的出發點，就是讓偏好資料更貼近多模態系統真正需要的判準。\u003C\u002Fp>\u003Ch2>這篇論文想修正什麼問題\u003C\u002Fh2>\u003Cp>論文先從 DPO 的老問題切入：方法本身沒有魔法，關鍵還是背後的偏好資料。作者指出，在多模態場景裡，既有流程常依賴 off-policy 擾動，或是只看結果好壞的粗訊號。這種訊號拿來做大方向排序可以，但不太適合細粒度的視覺推理。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776233216658-4juh.png\" alt=\"用 rubric 讓視覺偏好訓練更精準\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>原因很直接。圖像任務很少只是產生一個「整體上更好」的回答。回覆可以很順，但還是漏掉關鍵視覺細節。若資料蒐集只記錄整體結果，模型就不一定知道，對某一張圖、某一條指令來說，到底是哪個標準在區分好壞。\u003C\u002Fp>\u003Cp>所以這篇論文的核心主張是：如果任務本身是 instance-specific，那 reward 訊號也應該是 instance-specific。rDPO 不再只問「哪個答案比較好」，而是要求以 rubric-based evaluation 來拆解成 essential 與 additional c\u003Ca href=\"\u002Fnews\u002Fscenecritic-symbolic-evaluator-3d-scenes-zh\">rit\u003C\u002Fa>\u003Ca href=\"\u002Fnews\u002Fcertik-opens-ai-auditor-to-global-developers-zh\">er\u003C\u002Fa>ia。\u003C\u002Fp>\u003Ch2>rDPO 到底怎麼運作\u003C\u002Fh2>\u003Cp>rDPO 的做法，是為每個 image-instruction pair 建一份 checklist 式 rubric。這份 rubric 會列出評分所需的 crit\u003Ca href=\"\u002Fnews\u002Flayer-2-blockchain-scalability-explained-zh\">er\u003C\u002Fa>ia，而且是可以拿來評估任何 policy 的輸出，不會綁死在某個模型的語氣或輸出風格上。換句話說，rubric 描述的是這個例子真正重要的事，而不是某個模型看起來「比較像樣」的表達方式。\u003C\u002Fp>\u003Cp>論文還提到，instruction-rubric pool 是在離線階段先建立，再拿去重用於 on-policy data 的建構。這點很重要，因為它不是每次訓練步都重新做一次標註，而是先把可重用的 criteria 做好，之後再拿來配合目前 policy 產生的資料。\u003C\u002Fp>\u003Cp>從工程角度看，這等於把兩個常被拆開的流程接起來：一個是資料生成，一個是 reward 評估。on-policy 的好處，是資料更接近模型當下的行為；rubric 的好處，是把 feedback 拉回到更精準的 criterion-level，而不是只給一個 win\u002Floss 標籤。\u003C\u002Fp>\u003Cp>論文把這種設計視為更適合 visual preference optimization 的方式，因為 feedback 同時具備兩個特性：一是 local，因為它綁定特定的圖文樣本；二是 structured，因為它不是單一總分，而是由 essential 與 additional criteria 組成。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>這篇摘要給了三類結果：reward modeling benchmarks、downstream benchmarks，以及一個綜合性的 scalability benchmark。和很多只有概念沒有數字的摘要相比，這篇至少有一些可比較的數值。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776233209738-3gdb.png\" alt=\"用 rubric 讓視覺偏好訓練更精準\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>在 public reward modeling benchmarks 上，rubric-based prompting 對一個 30B-A3B judge 有「大幅」提升，並且把表現拉到接近 GPT-5.4。摘要沒有提供這個比較的完整分數，所以只能依照作者的文字判斷提升幅度很明顯，但無法從摘要精確算出差距。\u003C\u002Fp>\u003Cp>在 public downstream benchmarks 上，rubric-based filtering 讓 macro average 提升到 82.69。相對地，outcome-based filtering 會從 81.14 掉到 75.82。這一組數字很關鍵，因為它直接顯示：在作者的設定裡，單純看結果的過濾方式，不只不夠細，還可能把表現拉低；改成 rubric 之後，效果明顯更好。\u003C\u002Fp>\u003Cp>第三個結果是 scalability benchmark。rDPO 在一個 comprehensive benchmark 上拿到 61.01，優於 style-constrained baseline 的 52.36，也超過 59.48 的 base model。摘要沒有在這裡寫出 benchmark 名稱，所以最安全的解讀是：在該評測上，rDPO 的擴展性與整體表現都比 baseline 更好，甚至超過起始模型。\u003C\u002Fp>\u003Cp>但也要注意，摘要沒有提供訓練成本、延遲、標註吞吐量，或是 rubric 建置的實際難度。也就是說，這篇論文證明了方法「可能有效」，但還沒在摘要裡回答「要付出多少代價」。\u003C\u002Fp>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做 multimodal assistant、vision-language evaluator，或任何依賴 preference tuning 的系統，這篇論文其實在提醒一個常見失誤：太通用的偏好標籤，對圖像推理來說可能太粗。模型可能會學著產出看起來更好的回答，卻還是漏掉真正重要的視覺條件。\u003C\u002Fp>\u003Cp>rDPO 提供的方向很工程化：把 reward signal 做得更明確，而且要跟任務本身綁緊。這不只對訓練 policy 有用，對做 judge model 也有參考價值。摘要提到 rubric-based prompting 讓 30B-A3B judge 的表現大幅改善，這暗示它可能不只是 policy optimization 的技巧，也可能是評估品質的補強手段。\u003C\u002Fp>\u003Cp>另外，這篇論文也透露一個資料工程上的想法：先離線建立 instruction-rubric pool，再重複使用。這代表 rubric 不是每筆資料都重做一次，而是有機會攤提成本。對想把標註流程做規模化的團隊來說，這可能是最實用的部分。\u003C\u002Fp>\u003Ch2>限制與還沒說清楚的地方\u003C\u002Fh2>\u003Cp>摘要對結果講得不少，但對實作細節講得很少，所以還有幾個問題沒被回答。rubric 的建立成本，會不會比一般 preference labeling 高很多？不同標註者或自動 judge 對 rubric 的一致性如何？提升到底有多少來自更好的資料選擇，又有多少是 rubric 結構本身的功勞？\u003C\u002Fp>\u003Cp>還有一個更大的問題是可移植性。論文強調 rubrics 是 instance-specific，這正是它的優點，但也意味著它可能比較難直接套到差異很大的領域。若指令與圖像內容變化很大，團隊就需要一套夠穩的 rubric 生成流程，否則規模化會變得麻煩。\u003C\u002Fp>\u003Cp>另外，摘要沒有列出所有 benchmark 的名稱，也沒有附上完整 ablation。換句話說，雖然方向很清楚：on-policy data 加上 criterion-level feedback，通常比粗粒度 outcome filtering 更好；但真正的適用邊界，還得看完整論文才能判斷。\u003C\u002Fp>\u003Cp>總結來說，這篇論文的重點很直接：如果你的多模態偏好資料太模糊，最佳化器學到的東西也會太模糊。rDPO 想做的事，就是把視覺偏好學習變成 rubric-driven process，而摘要裡的數字顯示，這種額外結構確實有機會帶來實際收益。\u003C\u002Fp>\u003Cul>\u003Cli>核心想法：用 instance-specific rubric 取代粗粒度偏好標籤。\u003C\u002Fli>\u003Cli>訓練設計：先離線建立 instruction-rubric pool，再重用到 on-policy data 建構。\u003C\u002Fli>\u003Cli>已公開結果：reward modeling、downstream macro average、scalability benchmark 都有提升。\u003C\u002Fli>\u003Cli>主要限制：摘要沒有交代 rubric 成本、完整 benchmark 名稱與完整 ablation。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>對實作端來說，這篇的價值不只在分數。它提供的是一個設計模式：如果你的任務依賴細微的視覺判準，就先把判準寫清楚，再讓模型去優化。\u003C\u002Fp>","rDPO 用每個圖文任務的專屬 rubric 取代粗粒度偏好訊號，讓視覺偏好最佳化更細緻，並在過濾與 benchmark 上帶來提升。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.13029",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776233216658-4juh.png","research","zh","b6739170-e7c9-4e98-b99b-a54670dafe59",[17,18,19,20,21],"DPO","vision-language","preference optimization","rubric","reward modeling",1,"2026-04-15T06:06:32.083225+00:00","2026-04-15T06:06:31.94+00:00",{"tags":26,"relatedLang":35,"relatedPosts":39},[27,28,30,32,34],{"name":20,"slug":20},{"name":21,"slug":29},"reward-modeling",{"name":19,"slug":31},"preference-optimization",{"name":17,"slug":33},"dpo",{"name":18,"slug":18},{"id":15,"slug":36,"title":37,"language":38},"rubric-based-dpo-visual-preference-tuning-en","Rubric-Based DPO for Visual Preference Tuning","en",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"33c9a55c-a8c0-4367-b742-f4567d1e98e3","mathematicians-warn-ai-could-distort-math-zh","數學界警告 AI 會扭曲證明標準","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780504386035-080l.png","2026-06-03T16:32:29.415063+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"5c3cb90f-7efd-426f-8c09-32a303f82be9","humanoid-gpt-zero-shot-motion-tracking-zh","Humanoid-GPT：用 GPT 擴大動作追蹤","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780469319284-znpc.png","2026-06-03T06:47:34.463464+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"e3a4b0f7-03b3-43c6-ae51-906b337c5c2f","ipt-vlms-hidden-space-reasoning-zh","IPT 讓 VLM 更會想像隱藏空間","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780468394735-1k40.png","2026-06-03T06:32:46.560029+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"5fca9fe5-af66-47ce-85f0-0ffe1bee30b9","neuron-selectivity-changes-with-scale-zh","神經元選擇性會隨規模改變","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780467514422-7oss.png","2026-06-03T06:17:44.126547+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"9f9c2a61-d058-4c62-bb88-106e683657f0","nasa-landsat-wild-disturbances-rising-zh","NASA Landsat：野火與風暴變多","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780448581102-owp0.png","2026-06-03T01:02:37.513233+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"3479bdee-21fb-4fda-9572-9394caba01b0","adacodec-predictive-visual-code-video-mllms-zh","AdaCodec 用預測碼壓縮影片 token","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780381988591-z2sp.png","2026-06-02T06:32:28.249023+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":83,"slug":84,"title":85,"created_at":86},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]