Bài báo này đề cập đến các tín hiệu khen thưởng do con người tạo ra, đóng vai trò quan trọng trong việc điều chỉnh các mô hình sinh sản phù hợp với sở thích của con người. Các phương pháp hiện có sử dụng LLM làm công cụ đánh giá (LLM-as-a-Judge) giúp giảm đáng kể chi phí chú thích thủ công, nhưng thường yêu cầu dữ liệu đào tạo chuyên biệt cho từng phương thức rộng lớn và khó có thể khái quát hóa tốt trên nhiều tác vụ đa phương thức khác nhau. Trong bài báo này, chúng tôi đề xuất Flex-Judge, một mô hình đánh giá đa phương thức dựa trên suy luận, có khả năng khái quát hóa mạnh mẽ trên nhiều phương thức và định dạng đánh giá khác nhau bằng cách sử dụng dữ liệu suy luận văn bản tối thiểu. Ý tưởng cốt lõi là các giải thích suy luận văn bản có cấu trúc vốn bao gồm các mẫu quyết định có thể khái quát hóa, có thể chuyển đổi hiệu quả sang các đánh giá đa phương thức như hình ảnh và video. Kết quả thử nghiệm chứng minh rằng Flex-Judge đạt được hiệu suất cạnh tranh hoặc vượt trội so với các API thương mại hiện đại và các công cụ đánh giá đa phương thức được đào tạo chuyên sâu, mặc dù được đào tạo với lượng dữ liệu văn bản ít hơn đáng kể. Phát hiện này có ý nghĩa rộng rãi, đặc biệt đối với các phương thức như phân tử, nơi thiếu các tiêu chuẩn đánh giá toàn diện, làm nổi bật giá trị thực tế của nó trong các lĩnh vực hạn chế về nguồn lực. Khung trình bày trong bài báo này thúc đẩy đáng kể các mô hình đa phương thức có khả năng mở rộng như một thẩm phán bằng cách trình bày giám sát văn bản dựa trên suy luận như một giải pháp thay thế mạnh mẽ và tiết kiệm chi phí cho các phương pháp chú thích chuyên sâu hiện có.
