Reward Modeling on Reward Bench Math

0.305EFinternlm2-20b-reward

Evaluation results

Method
internlm2-20b-reward2025.11	0.305	-0.052	0.307	0.267	0.13	0.301	0.331	0.16	0.414	0.481
internlm2-1.8b-reward2025.11	0.252	0.012	0.077	0.137	0.077	0.299	0.333	0.329	0.335	0.314
internlm2-7b-reward2025.11	0.154	0.097	0.227	0.214	0.191	-0.077	-0.25	0.017	0.129	0.032
Starling-RM-34B2025.11	0.146	-0.058	0.125	-0.013	0.055	0.013	0.106	0.173	0.047	0.17
internlm2-20b-reward2025.11	0.123	-0.028	0.183	0.212	0.186	-0.018	-0.16	0.039	0.176	0.049
Skywork-Reward-V2-Llama-3.1-8B2025.11	0.093	0.007	0.035	0.032	0.22	-0.098	-0.097	0.228	0.268	0.235
Qwen2.5-72B-Instruct2025.11	0.077	-0.023	-0.021	0.024	-0.058	0.019	0.019	0.191	-0.013	0.032
SOLAR-10.7B-Instruct-v1.02025.11	0.072	0.09	-0.023	-0.032	0.104	-0.081	-0.086	-0.165	-0.141	-0.123
Skywork-Reward-Gemma-2-27B-v0.22025.11	0.071	0.055	0.081	0.097	0.047	0.076	0.041	0.122	0.124	0.084
GRM-llama3-8B-sftreg2025.11	0.067	-0.01	0.008	-0.01	0.148	-0.027	-0.083	0.009	0.066	0.001
Skywork-Reward-V2-Qwen3-8B2025.11	0.067	0.06	0.095	0.099	0.105	-0.078	-0.111	0.011	-0.034	-0.016
Skywork-Reward-Gemma-2-27B-v0.22025.11	0.065	-0.011	0.092	0.005	0.09	0.07	0.105	0.157	0.032	0.071
FsfairX-LLaMA3-RM-v0.12025.11	0.06	-0.11	0.084	-0.051	0.044	0.195	0.291	0.281	0.367	0.413
UltraRM-13b2025.11	0.054	-0.077	0.21	0.183	0.005	0.195	0.267	0.365	0.398	0.342
URM-LLaMa-3-8B2025.11	0.054	-0.017	-0.017	-0.034	0.044	-0.033	-0.038	-0.037	0.067	-0.055
internlm2-7b-reward2025.11	0.051	-0.031	0.193	0.129	0.085	0.332	0.326	0.27	0.269	0.415
Skywork-Reward-V2-Llama-3.1-8B2025.11	0.051	-0.029	0.167	0.131	0.182	0.398	0.453	0.27	0.312	0.486
Skywork-Reward-Llama-3.1-8B-v0.22025.11	0.05	-0.037	0.031	-0.017	0.05	-0.088	-0.064	0.006	0.044	-0.016
ArmoRM-Llama3-8B-v0.12025.11	0.049	0.05	0.081	-0.01	0.043	0.027	-0.094	0.142	1.496	0.036
ArmoRM-Llama3-8B-v0.12025.11	0.049	0.05	0.081	-0.01	0.043	0.027	-0.094	-0.042	0.096	0.036
Skywork-Reward-Llama-3.1-8B2025.11	0.047	0.016	0.015	-0.003	0.056	-0.065	-0.046	0.005	0.019	0.003
tulu-2-dpo-13b2025.11	0.041	-0.027	-0.032	-0.03	0.017	0.04	0.018	-0.013	-0.08	0.045
GRM-llama3-8B-distill2025.11	0.038	-0.005	-0.025	-0.003	0.149	-0.003	-0.066	0.012	0.074	0.031
UltraRM-13b2025.11	0.035	0.051	0.045	-0.01	0.007	-0.057	-0.066	0.016	0.007	0.02
Eurus-RM-7b2025.11	0.034	0.039	-0.036	0.035	0.066	0.183	0.232	0.181	0.196	0.292
Skywork-Reward-Gemma-2-27B2025.11	0.028	0.023	-0.075	-0.052	0.003	0.014	0.026	0.089	-0.083	-0.004
GRM-llama3-8B-sftreg2025.11	0.024	0.033	-0.032	-0.036	0.016	0.176	0.25	0.234	0.328	0.383
Qwen2.5-72B-Instruct2025.11	0.023	0.011	-0.029	0.005	-0.008	0.013	0.033	-0.031	0.008	-0.125
Qwen3-8B2025.11	0.022	-0.009	0.062	0.033	-0.011	0.009	0.015	0.128	-0.025	0.011
Skywork-Reward-Gemma-2-27B2025.11	0.02	0.193	0.082	0.048	-0.056	0.051	0.045	0.093	0.137	0.057
Llama-3-OffsetBias-RM-8B2025.11	0.018	0.05	0.06	0.024	0.109	-0.05	-0.044	-0.013	0.043	0.028
URM-LLaMa-3.1-8B2025.11	0.01	-0.049	-0.019	-0.002	0.063	-0.026	-0.089	-0.029	0.027	-0.015
Llama-3.1-70B-Instruct2025.11	0.009	0.089	-0.079	0.048	0.098	-0.12	0.074	0.021	0.047	-0.021
tulu-2-dpo-13b2025.11	0.002	-0.011	-0.031	-0.034	0.075	-0.018	-0.041	-0.073	-0.075	-0.035
Starling-RM-34B2025.11	0.001	0.013	-0.016	-0.08	-0.057	-0.027	-0.023	-0.063	-0.006	-0.069
URM-LLaMa-3-8B2025.11	-0.005	0.027	-0.055	-0.099	-0.077	0.295	0.282	0.393	0.262	0.33
Llama-3.1-70B-Instruct2025.11	-0.007	0.029	-0.024	0.052	-0.038	-0.11	0.095	0.188	1.547	0.085
GRM-llama3-8B-distill2025.11	-0.011	0.001	-0.043	-0.037	0.024	0.185	0.29	0.2	0.294	0.41
Qwen3-8B2025.11	-0.021	0.007	0.012	-0.023	0.009	-0.004	0.019	0.128	-0.025	-0.011
internlm2-1.8b-reward2025.11	-0.031	-0.064	0.05	0.007	0.014	-0.079	-0.065	0.037	0.067	-0.013
Llama3-8B-IDRM2025.11	-0.034	-0.095	-0.041	-0.037	0.108	-0.065	-0.115	-0.047	0.014	-0.069
GRM-Llama3-8B-rewardmodel-ft2025.11	-0.036	0.03	-0.046	0.015	0.017	0.089	0.245	0.198	0.294	0.298
GRM-Llama3-8B-rewardmodel-ft2025.11	-0.038	0.033	-0.044	-0.07	0.106	-0.013	-0.076	-0.045	0.036	-0.003
Llama-3-OffsetBias-RM-8B2025.11	-0.053	0.043	0.091	0.007	0.056	0.228	0.272	0.031	0.205	0.341
Eurus-RM-7b2025.11	-0.057	-0.059	0.001	-0.007	-0.009	-0.031	-0.04	0.015	0.061	0.014
URM-LLaMa-3.1-8B2025.11	-0.065	-0.018	-0.022	0.021	0.06	0.138	0.259	0.242	0.329	0.295
SOLAR-10.7B-Instruct-v1.02025.11	-0.077	0.01	-0.039	-0.065	-0.001	-0.047	-0.032	-0.033	-0.002	0.011
FsfairX-LLaMA3-RM-v0.12025.11	-0.077	0	-0.043	-0.118	0.144	-0.076	-0.131	-0.06	0.135	0.016
Llama3-8B-IDRM2025.11	-0.099	-0.285	0.037	0.075	-0.045	0.13	0.147	0.166	0.218	0.25
Skywork-Reward-Llama-3.1-8B-v0.22025.11	-0.14	0.145	0.043	0.112	0.041	0.003	0.116	0.206	0.244	0.108
Skywork-Reward-V2-Qwen3-8B2025.11	-0.156	0.068	-0.031	0.007	0.142	0.335	0.408	0.145	0.171	0.397
Skywork-Reward-Llama-3.1-8B2025.11	-0.172	-0.012	0.041	-0.014	0.045	0.099	0.241	0.28	0.306	0.204