rubric-guided

本文提出 LatentGRM，一个隐空间评估框架，通过语义保持的分块压缩在连续隐空间中执行基于评分标准的奖励建模，在 4B/8B 规模下取得了与 SFT 评判模型相当的偏好判断准确率，同时将评估轨迹压缩至原来的 1/8.9–1/9.2，并将推理时间缩短为原来的 1/6.1–1/7.0。

RubSE是一个框架，它利用评分标准引导的自演化，通过缓解视觉修复耦合和轨迹崩溃来增强UI到代码生成的稳定性。

RoRo 提出了一种面向大型推理模型逐步模型路由的评分引导过程奖励框架，将过程奖励与结果奖励结合，通过 GRPO 训练路由策略，在推理基准测试中优于基线方法。

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。

本文介绍了 RubricEM，这是一个强化学习框架，它利用量规引导的策略分解和基于反思的元策略进化，为长篇任务训练深度研究智能体。所得到的 RubricEM-8B 模型通过利用阶段感知规划和更密集的语义反馈，在长篇研究基准测试中表现出强劲的性能。