Reward Modeling on RM Bench Code

0.154EFSkywork-Reward-Gemma-2-27B

Evaluation Results

Method
Skywork-Reward-Gemma-2-27B2025.11	0.154	0.09	0.162	0.194	0.185	0.116	0.095	0.136	0.048	0.072
Skywork-Reward-Gemma-2-27B2025.11	0.154	0.09	0.162	0.194	0.185	0.116	0.095	0.136	0.048	0.072
FsfairX-LLaMA3-RM-v0.12025.11	0.132	0.033	0.088	0.022	0.047	-0.013	-0.028	-0.016	0.051	0.125
FsfairX-LLaMA3-RM-v0.12025.11	0.132	0.033	0.088	0.022	0.047	-0.013	-0.028	-0.016	0.051	0.125
UltraRM-13b2025.11	0.124	0.078	0.086	0.134	0.087	0.026	0.077	0.068	0.089	0.153
UltraRM-13b2025.11	0.124	0.078	0.086	0.134	0.087	0.026	0.077	0.068	0.089	0.153
URM-LLaMa-3.1-8B2025.11	0.113	0.111	0.058	0.121	0.028	0.064	0.039	0.022	0.111	0.156
URM-LLaMa-3.1-8B2025.11	0.113	0.111	0.058	0.121	0.028	0.064	0.039	0.022	0.111	0.156
Skywork-Reward-V2-Llama-3.1-8B2025.11	0.106	0.081	0.157	0.119	0.164	-0.13	-0.079	0.126	0.368	0.294
Skywork-Reward-V2-Llama-3.1-8B2025.11	0.106	0.081	0.157	0.119	0.164	-0.13	-0.079	0.126	0.368	0.294
Llama-3.1-70B-Instruct2025.11	0.098	-0.081	0.109	0.069	0.193	0.019	-0.102	0.017	0.081	-0.04
Llama-3.1-70B-Instruct2025.11	0.098	-0.081	0.109	0.069	0.193	0.019	-0.102	0.017	0.081	-0.04
GRM-llama3-8B-distill2025.11	0.095	0.011	0.19	0.096	0.089	0.05	0.051	-0.047	0.023	0.142
GRM-llama3-8B-distill2025.11	0.095	0.011	0.19	0.096	0.089	0.05	0.051	-0.047	0.023	0.142
Starling-RM-34B2025.11	0.084	0.028	-0.066	0.039	-0.032	-0.083	-0.174	0.013	0.023	-0.099
Skywork-Reward-Gemma-2-27B-v0.22025.11	0.084	0.079	0.05	0.055	0.178	0.109	0.088	-0.037	0.022	-0.018
Starling-RM-34B2025.11	0.084	0.028	-0.066	0.039	-0.032	-0.083	-0.174	0.013	0.023	-0.099
Skywork-Reward-Gemma-2-27B-v0.22025.11	0.084	0.079	0.05	0.055	0.178	0.109	0.088	-0.037	0.022	-0.018
Skywork-Reward-Llama-3.1-8B2025.11	0.059	-0.123	0.065	0.127	0.117	0.011	0.025	0.014	0.161	0.119
Skywork-Reward-Llama-3.1-8B2025.11	0.059	-0.123	0.065	0.127	0.117	0.011	0.025	0.014	0.161	0.119
GRM-llama3-8B-sftreg2025.11	0.049	-0.025	0.115	0.069	0.069	0.013	0.009	-0.056	0.047	0.141
GRM-llama3-8B-sftreg2025.11	0.049	-0.025	0.115	0.069	0.069	0.013	0.009	-0.056	0.047	0.141
GRM-Llama3-8B-rewardmodel-ft2025.11	0.041	-0.031	-0.045	-0.022	-0.022	-0.036	-0.046	-0.111	0	0.055
GRM-Llama3-8B-rewardmodel-ft2025.11	0.041	-0.031	-0.045	-0.022	-0.022	-0.036	-0.046	-0.111	0	0.055
ArmoRM-Llama3-8B-v0.12025.11	0.038	0.024	0.072	0.067	0.133	0.025	-0.036	-0.053	-0.011	0.079
ArmoRM-Llama3-8B-v0.12025.11	0.038	0.024	0.072	0.067	0.133	0.025	-0.036	-0.053	-0.011	0.079
Skywork-Reward-Llama-3.1-8B-v0.22025.11	0.037	-0.03	0.04	0.114	-0.001	0.08	0.097	-0.033	0.135	0.132
Skywork-Reward-Llama-3.1-8B-v0.22025.11	0.037	-0.03	0.04	0.114	-0.001	0.08	0.097	-0.033	0.135	0.132
internlm2-7b-reward2025.11	0.035	-0.004	0.056	0.115	-0.047	0.012	-0.033	0.009	0.03	0.009
internlm2-7b-reward2025.11	0.035	-0.004	0.056	0.115	-0.047	0.012	-0.033	0.009	0.03	0.009
URM-LLaMa-3-8B2025.11	0.03	-0.038	0.02	-0.05	0.031	0.035	0.058	0.02	0.04	0.147
URM-LLaMa-3-8B2025.11	0.03	-0.038	0.02	-0.05	0.031	0.035	0.058	0.02	0.04	0.147
Qwen3-8B2025.11	0.024	0.01	0.052	-0.023	0.029	-0.009	0.041	0.039	0.327	-0.102
Qwen3-8B2025.11	0.024	0.01	0.052	-0.023	0.029	-0.009	0.041	0.039	0.327	-0.102
Llama-3-OffsetBias-RM-8B2025.11	0.022	-0.028	0.071	-0.004	0.072	-0.046	-0.086	-0.024	0.059	0.093
Llama-3-OffsetBias-RM-8B2025.11	0.022	-0.028	0.071	-0.004	0.072	-0.046	-0.086	-0.024	0.059	0.093
Eurus-RM-7b2025.11	0.007	-0.017	-0.094	0.006	-0.084	-0.042	-0.082	-0.013	0.1	0.064
Eurus-RM-7b2025.11	0.007	-0.017	-0.094	0.006	-0.084	-0.042	-0.082	-0.013	0.1	0.064
Qwen2.5-72B-Instruct2025.11	-0.015	0.023	-0.08	0.109	-0.125	0.078	-0.098	0.044	0.23	0.066
Qwen2.5-72B-Instruct2025.11	-0.015	0.023	-0.08	0.109	-0.125	0.078	-0.098	0.044	0.23	0.066
SOLAR-10.7B-Instruct-v1.02025.11	-0.026	-0.035	-0.001	-0.073	-0.04	0.019	0.027	-0.08	-0.028	0.01
SOLAR-10.7B-Instruct-v1.02025.11	-0.026	-0.035	-0.001	-0.073	-0.04	0.019	0.027	-0.08	-0.028	0.01
internlm2-20b-reward2025.11	-0.03	-0.035	0.079	0.032	0.083	-0.015	-0.037	0.122	0.112	0.013
internlm2-20b-reward2025.11	-0.03	-0.035	0.079	0.032	0.083	-0.015	-0.037	0.122	0.112	0.013
Llama3-8B-IDRM2025.11	-0.051	-0.02	0.105	0.082	0.017	-0.082	-0.071	-0.04	-0.059	-0.072
Llama3-8B-IDRM2025.11	-0.051	-0.02	0.105	0.082	0.017	-0.082	-0.071	-0.04	-0.059	-0.072
tulu-2-dpo-13b2025.11	-0.073	0.017	-0.089	-0.07	-0.017	-0.091	-0.016	-0.031	-0.066	0.063
tulu-2-dpo-13b2025.11	-0.073	0.017	-0.089	-0.07	-0.017	-0.091	-0.016	-0.031	-0.066	0.063
Skywork-Reward-V2-Qwen3-8B2025.11	-0.138	-0.029	0.064	0.056	0.118	-0.019	-0.037	0.052	0.218	0.209
Skywork-Reward-V2-Qwen3-8B2025.11	-0.138	-0.029	0.064	0.056	0.118	-0.019	-0.037	0.052	0.218	0.209
internlm2-1.8b-reward2025.11	-0.14	-0.125	-0.063	-0.05	0.001	0.041	0.039	-0.049	0.033	0.05
internlm2-1.8b-reward2025.11	-0.14	-0.125	-0.063	-0.05	0.001	0.041	0.039	-0.049	0.033	0.05