LexReward：面向法律语言模型的分类体系驱动奖励框架

LexReward 是一个面向法律语言模型的分类体系驱动奖励框架，从 Style、Element、Chain 三个维度刻画法律回答质量，并据此构建成对偏好数据用于 DPO 与奖励模型训练。实验显示，基于评分细则的奖励能可靠区分不同质量的法律回答，DPO 训练在三个维度上均带来提升；所训练的奖励模型 LexRM 可在无需参考答案的情况下，通过强化学习分别提升对应维度的策略表现。