R1-Reward：通过稳定强化学习训练多模态奖励模型

多模态奖励模型（MRM）在提高多模态大语言模型（MLLM）的性能方面发挥着重要作用。虽然最近的研究进展主要集中在改进 MRM 的模型结构和训练数据上，但对奖励模型的长推理能力的有效性以及如何在 MRM 中激活这些能力的探索还很有限。在这项工作中，来自中国科学院自动化研究所、清华大学、快手和南京大学