RubricCraft：从候选解法差异中生成评分标准

RubricCraft 将评分标准构建视为由候选解法引导的自然语言规范生成，通过比较不同求解轨迹对任务要求的满足与违反来提炼评分条目。在 SpreadsheetBench v2 上，其评分标准误通过的错误输出比例为 29.5%，低于同一模型仅凭提示词生成的 42.6%，且未误判基准自带检查器接受的任何输出。