跳到正文
arXiv · NLP· Minghang Zhu, Chuyang Wei, Junhao Xu, Yilin Cheng, Zhumin Chen, Jiyan He·· 2026-10-15AI 评分29

DeepRubric:通过证据树评分标准提升深度研究智能体强化学习效率

DEEPRUBRIC: Evidence-Tree Rubric Supervision for Efficient Reinforcement Learning of Deep Research Agents

AI 导读

DeepRubric 提出一种数据构建框架,通过构建证据树反向生成查询-评分对,以确保强化学习奖励精准匹配任务需求。 该框架构建 9K 训练样本,采用评分标准引导的 GRPO 训练 DeepRubric-8B,在三个基准上媲美开源 SOTA 模型。 训练过程仅需约 1/13 的强化学习 GPU 小时,显著提升训练效率。

来源:arXiv · NLP · arxiv.org