CoRT：トークンレベルのルーブリックに基づくポリシー最適化のための反実仮想リプレイ

要旨

ルーブリックベースの強化学習は、明示的な基準に照らしてモデルの出力を評価することで、言語モデルの学習を強化する。しかしGRPOスタイルのパイプラインでは、これらの構造化された評価は、スカラーの応答レベルの報酬に縮約され、応答レベルのアドバンテージに変換された後、生成されたすべてのトークンに一律に伝播される。このため、異なる基準が異なるスパン、フォーマット上の選択、意味上の選択に基づいている場合でも、応答内でクレジットを割り当てる明示的なメカニズムが存在しない。本稿では、ルーブリック条件付きGRPOのためのトークンレベルのクレジット重み付け手法であるCoRTを提案する。CoRTは、補助的なトークンスコアリングモデルを学習する代わりに、反実仮想リプレイを用いて、同じサンプリングされた応答を、元のルーブリック条件付きプロンプトと、基準を含まない対応するプロンプトの下で再スコアリングする。得られたトークン単位の対数尤度の差は、ルーブリックコンテキストへの依存度の代理指標として機能する。CoRTはこれらの差を有界で応答正規化された重みにマッピングし、それらを用いて符号付きGRPOアドバンテージをトークン間で再分配する。この際、補助的なスコアラーを導入したり、応答レベルの報酬を変更したりする必要はない。指示チューニング済みモデルと報酬の粒度にわたる実験では、CoRTは比較の大部分において、対応する応答レベルのGRPOよりも改善を示し、平均4.4パーセントポイントの向上を達成した。本手法は、学習されたトークンレベルのクレジットベースラインと競合しつつ、別途の関連性学習段階を回避する。これらの結果は、方策内部の反実仮想尤度比較が、GRPOの単純さと安定性を維持しながら、応答内クレジット割り当てのための効果的な学習信号を提供することを示唆している。

English

Rubric-based reinforcement learning enriches language model training by evaluating model outputs against explicit criteria. Yet in GRPO-style pipelines, these structured judgments are reduced to a scalar response-level reward and converted into a response-level advantage, which is broadcast uniformly to all generated tokens. This leaves no explicit mechanism for allocating credit within a response, even when different criteria are grounded in different spans, formatting decisions, or semantic choices. We propose CoRT, a token-level credit weighting method for rubric-conditioned GRPO. Instead of training an auxiliary token scoring model, CoRT uses counterfactual replay to rescore the same sampled response under the original rubric-conditioned prompt and a matched criteria-free prompt. The resulting tokenwise log-likelihood contrasts serve as a proxy for dependence on the rubric context. CoRT maps these contrasts to bounded, response-normalized weights and uses them to redistribute the signed GRPO advantage across tokens, without introducing an auxiliary scorer or changing the response-level reward. Experiments across instruction-tuned models and reward granularities show that CoRT improves over matched response-level GRPO in the vast majority of comparisons, with an average gain of 4.4 percentage points. The method remains competitive with learned token-level credit baselines while avoiding a separate relevance-learning stage. These results suggest that policy-internal counterfactual likelihood contrasts provide an effective training signal for within-response credit allocation while retaining the simplicity and stability of GRPO.