RewardHarness: Self-Evolving Agentic Post-Training
Yuxuan Zhang, Penghui Du, Bo Li, Cong Wei, Junwen Miao, Huaisong Zhang, Songcheng Cai, Yubo Wang, Dongfu Jiang, Yuyu Zhang, Ping Nie, Wenhu Chen, Changqian Yu, Kelsey R. Allen
arXiv:2605.08703 · 2026-05-14 공개 · arXiv · PDF
image-editing few-shot-learning reward-modeling agentic-systems self-evolving rl-finetuning reasoning-chain tool-library
Abstract
Evaluating instruction-guided image edits requires rewards that reflect subtle human preferences, yet current reward models typically depend on large-scale preference annotation and additional model training. This creates a data-efficiency gap: humans can often infer the target evaluation criteria from only a few examples, while models are usually trained on hundreds of thousands of comparisons. We present RewardHarness, a self-evolving agentic reward framework that reframes reward modeling as context evolution rather than weight optimization. Instead of learning from large-scale annotations, RewardHarness aligns with human preferences by iteratively evolving a library of tools and skills from as few as 100 preference demonstrations. Given a source image, candidate edited images, and an editing instruction, an Orchestrator selects the most relevant subset of tools and skills from the maintained library, and a frozen Sub-Agent uses them to construct a reasoning chain that produces a preference judgment. By comparing predicted judgments with ground-truth preferences and analyzing successes and failures in the reasoning process, the Orchestrator automatically refines its library of tools and skills without additional human annotation. Using only 0.05% of the EditReward preference data, RewardHarness achieves 47.4% average accuracy on image-editing evaluation benchmarks, surpassing GPT-5 by 5.3 points. When used as a reward signal for GRPO fine-tuning, RL-tuned models achieve 3.52 on ImgEdit-Bench. Project page: https://rewardharness.com.
한국어 요약
📋 한 줄 요약
**[Agentic AI/Reward Modeling]** 가중치 학습 없이 100개 미만의 선호 예시만으로 도구·스킬 라이브러리를 자기진화시키는 에이전트형 리워드 모델 RewardHarness, EditReward 데이터의 0.05%만 사용해 GPT-5를 5.3점 상회.
🎯 핵심 기여도
- 리워드 모델링을 "가중치 최적화"가 아닌 "컨텍스트 진화" 문제로 재정의
- 100개 수준의 소량 선호 데모만으로 동작하는 self-evolving 에이전트형 리워드 프레임워크 제안
- Orchestrator가 성공/실패 추론을 분석해 도구·스킬 라이브러리를 자동 보강하는 무어노테이션 루프 설계
- EditReward의 0.05% 데이터로 47.4% 평균 정확도 달성, GPT-5 대비 +5.3pt, GRPO 보상 신호로 활용 시 ImgEdit-Bench 3.52점
💡 핵심 아이디어
사람은 몇 개의 예시만 봐도 평가 기준을 추론하는데, 기존 리워드 모델은 수십만 건의 선호 비교를 학습해야 한다. RewardHarness는 이 데이터 효율 격차를 메우기 위해, 모델 파라미터는 동결한 채 "도구와 스킬"이라는 외부 메모리를 반복적으로 진화시켜 사람 수준의 평가 기준을 빠르게 습득한다.
🔬 기술적 접근법
- **모델/방법론**: Orchestrator(도구 선택) + 동결된 Sub-Agent(추론 체인 생성)로 구성된 이중 에이전트 구조, 이미지 편집 평가에 특화
- **핵심 기법**: 소량 선호 데모로 시작 → Orchestrator가 관련 도구·스킬 부분집합 선택 → Sub-Agent가 reasoning chain으로 선호 판단 → 정답과 비교해 성공/실패 분석 → 라이브러리 자동 리파인먼트
- 추가 인간 어노테이션·재학습 없이 컨텍스트 레이어에서만 진화
📊 주요 결과
- 이미지 편집 평가 벤치마크에서 평균 47.4% 정확도, GPT-5 대비 +5.3pt
- EditReward 선호 데이터의 단 0.05%만 사용해 SOTA 달성
- GRPO 파인튜닝의 보상 신호로 활용 시 RL 모델이 ImgEdit-Bench 3.52점 달성
💭 의의 및 한계
**의의**: 대규모 선호 데이터 수집·라벨링 비용을 거의 제거하면서 강력한 보상 모델을 만들 수 있음을 보여, 멀티모달 RLHF 파이프라인의 진입 장벽을 크게 낮춘다. **한계**: 이미지 편집 도메인에 특화된 도구·스킬 설계가 전제되어 있어 다른 모달리티·태스크로의 일반화에는 라이브러리 재설계 비용이 필요하다.
🚀 실용적 활용
- 이미지 편집 서비스의 자동 품질 평가 및 RLHF 보상 모델로 즉시 투입
- 신규 도메인의 콜드스타트 리워드 모델 구축(100건 선호 데이터로 PoC)
- GRPO·DPO 등 선호 기반 파인튜닝의 보상 신호 공급원