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

Reward Modeling on PKU-SafeRLHF (test)

0.074MAE

SelectiveRM

Updated 26d ago

Evaluation Results

Method	Links
SelectiveRM 2026.05		0.074	0.057	0.772	-
ϵ-Softmax 2026.05		0.078	0.067	0.731	-
ILDE 2026.03		0.0871	-	0.7104	0.2681
CCR 2026.05		0.1	0.073	0.707	-
ImplicitRM 2026.03		0.1053	-	0.7872	0.2294
F-correction 2026.05		0.113	0.083	0.668	-
CausalRM-IPS 2026.03		0.119	0.057	0.77	-
UBPR 2026.03		0.1251	-	0.628	0.3039
NNPU 2026.03		0.1279	-	0.6471	0.296
UPL 2026.03		0.1282	-	0.6742	0.2844
CausalRM-DR 2026.03		0.129	0.055	0.779	-
UPU 2026.03		0.129	-	0.6043	0.3134
SelectMix 2026.03		0.1422	-	0.7346	0.2567
CUBPR 2026.03		0.1423	-	0.6389	0.2994
LAGAM 2026.03		0.1465	-	0.754	0.2472
CSGN 2026.05		0.155	0.065	0.738	-
CausalRM-DR 2026.03		0.171	0.07	0.72	-
SDR 2026.03		0.1771	-	0.6948	0.2753
DR 2026.03		0.1871	-	0.5011	0.352
MTIPS 2026.03		0.1899	-	0.7093	0.2687
ILDE 2026.05		0.19	0.062	0.752	-
MTDR 2026.03		0.1959	-	0.6876	0.2785
SelectMix 2026.05		0.199	0.064	0.741	-
Robust DivideMix 2026.05		0.205	0.067	0.731	-
LabelWave 2026.05		0.216	0.067	0.729	-
kMEIDTM 2026.05		0.223	0.072	0.712	-
NLS 2026.05		0.236	0.074	0.703	-
ROBOT 2026.05		0.24	0.074	0.703	-
IPS 2026.03		0.2423	-	0.5914	0.2718
CNLCU 2026.05		0.243	0.081	0.673	-
Co-Teaching 2026.05		0.245	0.082	0.671	-
HOC 2026.05		0.253	0.079	0.683	-
CDR 2026.05		0.255	0.079	0.682	-
Naive 2026.05		0.273	0.089	0.642	-
Naive 2026.03		0.2887	-	0.5535	0.333
BPR 2026.03		0.3115	-	0.5228	0.3442