小紅書與復旦 DR-Rubric 被 NeurIPS 2026 接收
小紅書與復旦大學等機構提出的 DR-Rubric 已被 NeurIPS 2026 接收，論文與程式碼公開。該方法先讓模型圍繞任務做多輪檢索收集證據，再把證據轉成原子化、可逐條檢查的評分細則，作為 GRPO 的獎勵訊號，已在小紅書業務中實際使用。六個基準上每輪僅用 1000 條 RL 資料即取得有競爭力的表現，其中 GPT-5 生成的細則在 ResearchQA 達 73.7、DeepResearchBench 達 43.0；
把評分細則的構造從靜態模板變成多輪檢索的研究過程，論文與程式碼已公開，並給出 1000 條 RL 資料的六基準結果及自舉導致獎勵與真實表現背離的實測邊界，對做開放式任務強化學習與獎勵設計的人有參考價值。
原標題：NeurIPS 2026｜小红书 × 复旦大学用DR-Rubric为开放式强化学习构建评分标准
閱讀原文
| 評分 | 76 / 78（平均 77，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
OpenAI 推出 GPT-Rosalind，面向科研文獻與生物資料推理
OpenAI 發布 GPT-Rosalind，用於幫助科研人員跨科學文獻與生物資料進行推理，由科學家提供專業判斷來評估證據。符合條件的實驗室可獲最多 12 個月的 OpenAI 工具贊助訪問，其中 GPT-Rosalind 需通過可信訪問審批。通過 Rosalind Academic Plan 共享的研究資料預設不用於訓練模型。
浙大北大 SPADER 被 EMNLP 2026 主會錄用：步驟級 GRPO 提升多答案問答召回
浙大與北大團隊的 SPADER 被 EMNLP 2026 主會錄用，它把 GRPO 的軌跡級優勢細化到步驟級（step-wise GRPO），並加入多樣性感知探索獎勵，用於多答案問答的長尾覆蓋。搜尋階段按組內檢索頻率給新發現的實體加權：頭部實體被稀釋，獨有長尾發現獎勵最高。在四個基準、Llama3.1-8B 與 Qwen3-8B 兩種基座上 F1 全部第一，QAMPARI 上相對 PPO、GRPO 最高提升 86.1%。
PaperBenchX 發布：GPT-6 Astra 完整復現率僅 13.98%
UniPat AI 發布 PaperBenchX，稱其為國際上首個多學科端到端論文結果復現基準，從 93 篇論文建置 93 個復現任務，橫跨電磁、光子、化學、材料、生物、機器人等 12 個研究方向和 10 種領域原生科學環境，含 3168 條專家校驗評分項。在這 93 個任務上，表現最強的 GPT-6 Astra 完整復現率只有 13.98%，建模與執行階段平均得分約 62%，驗證階段僅 42.8%。
Open Academic Paper Gen 開源：從全文核驗論文引用
GitHub 上新開源專案 Open Academic Paper Gen，用多智慧體工作流把論文初稿生成拆成九個階段，最大特點是在拿到文獻全文後定位相關段落，核驗正文引用是否真被原文支撐，有頁碼時還會標出對應 PDF 頁碼。它從 OpenAlex、Crossref、Semantic Scholar 和 arXiv 檢索文獻，生成證據表後分析趨勢、診斷創新性、列提綱寫作，再做引用核驗與模擬審稿，可匯出 Markdown、LaTeX 與 RIS、BibTeX。
RLTL;DR：讓模型從失敗中自寫反饋實現自我改進
論文提出 RLTL;DR 方法：在可驗證獎勵強化學習（RLVR）中，當任務難到模型幾乎無法成功、又沒有教師模型或範例解可蒸餾時，讓策略在每次失敗後檢視驗證器輸出，並自行寫出一條 TL;DR 式反饋，下一次 rollout 以此為條件。該方法面向自我改進場景，替代只最佳化成功嘗試的常見做法。