方法用量规指导的过程奖励监督每一步模型选择，弥补仅以最终答案训练路由器的不足。
推荐理由：最终正确率无法定位哪一步模型选择失误，导致路由策略信用分配模糊；逐步量规奖励提供细粒度监督，有望同时改善推理成本控制与跨任务泛化。
阅读原文