RoRo：基于评分标准的步骤级模型路由过程奖励框架

提出RoRo框架，利用基于评分标准的奖励优化大型推理模型（LRM）的步骤级模型路由，解决仅使用结果奖励无法评估中间路由决策的问题。 框架通过交替优化生成查询特定的评估标准并打分，结合结果奖励使用GRPO优化路由策略。 实验显示，RoRo在五项推理基准测试中优于强基线，实现了更优的准确性与成本平衡。