将深度研究作为强化学习的评分标准

针对开放域推理与长文本生成任务缺乏可靠自动验证信号的问题，本文提出“深度研究即评分标准”（DR-rubric）框架。该方法将评分标准构建视为研究过程：第一阶段通过多轮代理搜索获取领域事实与失败模式；第二阶段将证据提炼为原子化约束，用于基于 GRPO 的策略优化。实验表明，该框架仅需少量训练数据即可在多项基准测试中取得优异性能，证明了将静态评估模板转化为证据驱动的研究过程能提供更可扩展、细粒度的奖励信号。