reasoning-agents

RICE-PO 是一个无需评判器的策略优化框架，它将检索交互转化为局部化信用信号，用于训练推理代理。在相同检索器设置下，该框架在 BRIGHT 和 BEIR 基准测试中持续优于基于提示的代理和基于组的强化学习基线。

Co-ReAct 引入了一种基于评分标准的动作选择框架，在推理过程中将评分标准作为 ReAct 代理的步骤级指导，提高了轨迹质量，并在 DeepResearchBench 和 SQA-CS-V2 上超越了基线模型。