rubric-guided

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。