RoRo：用评分标准引导逐步模型路由

研究者提出 RoRo 框架，为逐步模型路由引入过程奖励。此前这类路由只用结果奖励，无法评估中间的每一步路由决策；RoRo 先收集多样路由轨迹，按结果、成本与过程质量构建偏好对，再交替训练两个组件：生成查询专属评分标准的 Rubricor，和依据该标准打分的 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。

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。