Share your thoughts, 1 month free Claude Pro on usSee more

Reward Modeling on HelpSteer (test)

0.2428MAE

DR

Updated 24d ago

Evaluation Results

Method	Links
DR 2026.03		0.2428	-	0.0902	0.4434
SelectMix 2026.03		0.2624	-	0.279	0.3947
NNPU 2026.03		0.2688	-	0.2794	0.3946
CausalRM-IPS 2026.03		0.27	0.156	0.277	-
SelectMix 2026.03		0.27	0.175	0.19	-
UPU 2026.03		0.2729	-	0.2551	0.4012
SelectMix 2026.03		0.274	0.177	0.179	-
F-correction 2026.03		0.276	0.185	0.143	-
ILDE 2026.03		0.2798	-	0.2314	0.4075
Robust DivideMix 2026.03		0.281	0.177	0.181	-
ImplicitRM 2026.03		0.2856	-	0.3114	0.2919
F-correction 2026.03		0.286	0.189	0.124	-
CausalRM-IPS 2026.03		0.297	0.154	0.287	-
IPS 2026.03		0.3	0.181	0.163	-
Robust DivideMix 2026.03		0.302	0.178	0.175	-
CoDis 2026.03		0.303	0.182	0.155	-
CausalRM-DR 2026.03		0.304	0.151	0.302	-
Co-Teaching 2026.03		0.306	0.185	0.144	-
Naive 2026.03		0.308	0.186	0.138	-
MTDR 2026.03		0.309	0.176	0.186	-
SDR 2026.03		0.318	0.174	0.193	-
CausalRM-DR 2026.03		0.32	0.155	0.283	-
ILDE 2026.03		0.32	0.175	0.191	-
Naive 2026.03		0.327	0.197	0.09	-
MTIPS 2026.03		0.327	0.18	0.169	-
LabelWave 2026.03		0.329	0.181	0.161	-
CoDis 2026.03		0.331	0.184	0.149	-
CUBPR 2026.03		0.334	-	0.212	0.4126
IPS 2026.03		0.335	0.187	0.136	-
UPL 2026.03		0.335	-	0.2251	0.4092
MTDR 2026.03		0.337	0.176	0.184	-
Co-Teaching 2026.03		0.337	0.188	0.13	-
MTIPS 2026.03		0.344	0.182	0.157	-
LAGAM 2026.03		0.3461	-	0.2321	0.4074
CVIB 2026.03		0.348	0.179	0.17	-
DR 2026.03		0.348	0.177	0.179	-
SDR 2026.03		0.352	0.175	0.192	-
DR 2026.03		0.353	0.179	0.171	-
CVIB 2026.03		0.362	0.18	0.167	-
ILDE 2026.03		0.362	0.177	0.183	-
IPS 2026.03		0.3785	-	0.0541	0.4498
Naive 2026.03		0.3907	-	0.1179	0.4366
UBPR 2026.03		0.3944	-	0.1044	0.4399
SDR 2026.03		0.3981	-	0.1794	0.4211
MTIPS 2026.03		0.3999	-	0.1772	0.4217
MTDR 2026.03		0.4057	-	0.1291	0.4338
LabelWave 2026.03		0.407	0.182	0.158	-
BPR 2026.03		0.4314	-	0.0859	0.4444