RoRo：评分标准引导的逐步模型路由奖励框架

研究者提出 RoRo 框架，用评分标准引导的过程奖励优化逐步模型路由。针对结果奖励无法评估中间路由决策的问题，该框架构建基于结果、成本与过程质量的路由轨迹偏好对，交替训练 Rubricor 生成查询专属评分标准、Judge 据此打分，再将所得过程奖励与结果奖励结合，用 GRPO 优化路由策略。 作者称，在五个推理基准的同族与跨族设置下，RoRo 均优于强基线，取得更好的准确率与成本权衡。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。