强化学习与评分奖励（RLRR）是一种扩展传统人类反馈强化学习（RLHF）和可验证奖励（RLVR）的框架，通过用结构化的多维情境评分评估替代标量偏好信号。然而，现有的RLRR方法仅限于将向量奖励线性压缩为固定权重的标量奖励，这种方法对人工评分设计敏感，且无法捕捉奖励维度之间的相关性。为了解决奖励聚合的局限性，提出了交替强化学习与评分奖励（ARL-RR）框架，该框架通过优化一个语义评分来消除对固定标量...