DR-Rubric：深度研究生成强化学习评分细则

小红书与复旦大学等机构提出 DR-Rubric 方法，让模型先围绕任务做一轮深度研究，收集外部事实、关键约束与常见错误，再把研究结果转成逐条可检查的评分细则，用作强化学习的奖励信号。该工作已被 NeurIPS 2026 接收，论文与代码已公开，这套方案也已在小红书业务中实际使用。实验在六个基准上每轮仅用 1000 条 RL 数据，在智能体研究与专家推理任务上取得有竞争力的表现。研究还尝试让模型自举生成下一轮细则，观察到性能非单调变化：过度迭代时内部奖励上升，而真实任务表现崩溃。

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。