تتيح إطار عمل Agon التعلم المعزز من المكافآت القابلة للتحقق من خلال جعل نموذجين متنافسين يقيّمان آثار الاستدلال لكل منهما، بدلاً من تقييم الإجابات النهائية فقط. في هذا الإعداد، يقوم أحد النماذج بصياغة الحل بينما يحله الآخر في أدوار متبادلة، مكافئاً الوكيل الذي يتفوق على خصمه في الاستدلال دون الحاجة إلى تسميات العملية أو نموذج مكافأة منفصل.
- يتم تحسين النموذجين في وقت واحد، مما يواجه خصماً يصبح أقوى تدريجياً وهو ما لا يمكن للتعلم المعزز بنموذج واحد توفيره.
- أثناء الاستنتاج، يتم نشر الزوج ككاسكاد من مرحلتين حيث يقوم أحد النماذج بالصياغة والآخر بالإجابة بعد قراءة المسودة.
- على الجزء الصعب من DeepMath مع Qwen3، تضاعف هذه الأسلوب أداء GRPO الخاص بـ pass@1.
- يتكرر الترتيب في برمجة المسابقات عبر عائلات النماذج بما في ذلك Qwen3.5 وGemma 4.
تسمح هذه الطريقة بتقييم الاستدلال بشكل ضمني أثناء التدريب، مما يعالج المشكلة حيث تقوم المشاكل الصعبة حالياً بتدريب النماذج على الكتابة أكثر بدلاً من التفكير بشكل أفضل.