RoRo：用评分标准引导的过程奖励优化逐步模型路由

针对逐步模型路由中结果奖励无法评估中间路由决策的问题，研究者提出 RoRo 框架，先收集多样路由轨迹并按结果、成本与过程质量构建偏好对，再交替训练生成查询专属评分标准的 Rubricor 和据此打分的 Judge，将过程奖励与结果奖励结合，通过 GRPO 优化路由策略。在五个推理基准上，同家族与跨家族设置下 RoRo 均优于强基线，取得更好的准确率与成本权衡。