标题：中科院联合清华快手提出R1-Reward，用强化学习提升多模态奖励模型长期推理能力 多模态奖励模型（MRMs）对多模态大语言模型（MLLMs）至关重要，但现有强化学习（RL）方法在训练时易不稳定甚至崩溃。中科院、清华大学、快手及南京大学团队基于MM-RLHF推出R1-Reward模型，在主...