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

Reward Modeling on UltraFeedback (test)

0.145MAE

SelectiveRM

Updated 26d ago

Evaluation Results

Method	Links
SelectiveRM 2026.05		0.145	0.107	0.461	-
SelectMix 2026.03		0.1679	-	0.4752	0.3316
UPL 2026.03		0.1723	-	0.4309	0.3453
HOC 2026.05		0.181	0.115	0.418	-
CCR 2026.05		0.181	0.114	0.424	-
ImplicitRM 2026.03		0.1961	-	0.5207	0.3169
NNPU 2026.03		0.2021	-	0.4668	0.3342
ILDE 2026.03		0.2021	-	0.4403	0.3424
ILDE 2026.03		0.208	0.111	0.47	-
DR 2026.03		0.216	-	0.2305	0.4015
CausalRM-DR 2026.03		0.225	0.106	0.495	-
UPU 2026.03		0.2263	-	0.4559	0.3376
CausalRM-DR 2026.03		0.228	0.106	0.496	-
CUBPR 2026.03		0.23	-	0.4389	0.3429
Robust DivideMix 2026.05		0.239	0.109	0.451	-
CSGN 2026.05		0.241	0.112	0.436	-
UBPR 2026.03		0.2452	-	0.4141	0.3504
LAGAM 2026.03		0.2488	-	0.4652	0.3347
F-correction 2026.05		0.267	0.117	0.409	-
SelectMix 2026.05		0.267	0.108	0.453	-
IPS 2026.03		0.2713	-	0.1476	0.4103
SDR 2026.03		0.272	0.113	0.461	-
ϵ-Softmax 2026.05		0.274	0.109	0.449	-
ILDE 2026.05		0.276	0.108	0.456	-
CNLCU 2026.05		0.283	0.112	0.435	-
LabelWave 2026.05		0.284	0.11	0.446	-
NLS 2026.05		0.29	0.111	0.441	-
Co-Teaching 2026.05		0.293	0.116	0.416	-
kMEIDTM 2026.05		0.295	0.113	0.428	-
ROBOT 2026.05		0.295	0.113	0.431	-
Naive 2026.03		0.297	0.125	0.405	-
CDR 2026.05		0.301	0.114	0.422	-
SDR 2026.03		0.3049	-	0.3646	0.3648
Naive 2026.05		0.315	0.12	0.395	-
BPR 2026.03		0.3212	-	0.3839	0.3593
Naive 2026.03		0.3492	-	0.1459	0.423
MTDR 2026.03		0.3534	-	0.3201	0.3774
MTIPS 2026.03		0.3564	-	0.2525	0.3957