来自可验证奖励（例如GRPO ）的强化学习是当今推理模型背后的引擎，但它只给最终答案打分。在困难的问题上，这训练模型写得更多，而不是思考得更好，因为痕迹本身从来没有分级，也没有良好思维的标签。我们引入了Agon ，它使两个相互竞争的模型成为对方的分级机。两者都尝试相同的PROB

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.07690v1)获取最准确的信息。

---
🔗 **原文链接**: [Agon: Competitive Cross-Model RL with Implicit Rival Grading](https://arxiv.org/abs/2607.07690v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Vladislav Beliaev

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
推理能力是LLM的下一个战场。这篇文章技术细节到位，适合有一定基础的同学细读。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-09 14:02