AI热榜 生成式奖励模型（GRM）通过思维链（CoT）显著提升了奖励信号的质量，但其“一刀切”的推理策略让简单样本和复杂样本消耗同等计算资源，导致显著的算力浪费。
腾讯混元与新南威尔士大学联合提出的 E-GRM（Efficient Generative Reward Modeling）框架，将 模型自身的不确定性 重新定义为计算资源的调度信号，仅对真正困难的样本投入完整 CoT 推理，对其余样本走短路径直接输出。
本文从问题背景、动态路由机制、判别式评分器到训练与实验四个维度对该框架进行系统解读。
论文题目：Reason Only When Needed: Efficient Generative Reward Modeling via Model-Internal Uncertainty 收录会议：ACL 2026 arXiv 链接：https://arxiv.org/abs/2604.10072 问题背景与动机 1.1 静态推理：GRM 绕不开的效率瓶颈 奖励模型是 RLHF 流程的核心组件，为策略模型的候选响应提供质量信号。
从标量奖励模型到生成式奖励模型（GRM），推理链的引入显著提升了奖励信号的可解释性与判别能力，但也带来了固有的效率问题： 1.
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接