Agon फ्रेमवर्क सत्यापनीय पुरस्कारों से पुनर्बल सीखने को सक्षम बनाता है, दो प्रतिस्पर्धी मॉडलों को एक-दूसरे के तर्क ट्रेस का मूल्यांकन करने के लिए कहकर, न कि केवल अंतिम उत्तरों का। इस सेटअप में, एक मॉडल समाधान की रूपरेखा तैयार करता है जबकि दूसरा वैकल्पिक भूमिकाओं में इसे हल करता है, उस एजेंट को पुरस्कृत करता है जो अपने प्रतिद्वंदी से बेहतर तर्क देता है, प्रक्रिया लेबल या अलग से पुरस्कार मॉडल की आवश्यकता के बिना।
- दोनों मॉडलों का एक साथ अनुकूलन किया जाता है, एक क्रमिक रूप से मजबूत प्रतिद्वंदी का सामना करते हुए जो सिंगल-मॉडल RL प्रदान नहीं कर सकता।
- इनफरेंस पर, जोड़ी दो-चरण के कैस्केड के रूप में तैनात होती है जहाँ एक मॉडल रूपरेखा तैयार करता है और दूसरा रूपरेखा पढ़ने के बाद उत्तर देता है।
- Qwen3 के साथ DeepMath के कठिन स्प्लिट पर, यह दृष्टिकोण GRPO की pass@1 प्रदर्शन को दोगुना कर देता है।
- यह क्रम कोड में प्रतिस्पर्धात्मक प्रोग्रामिंग और Qwen3.5 और Gemma 4 सहित मॉडल परिवारों के पार दोहराया जाता है।
यह विधि प्रशिक्षण के दौरान तर्क का अंतर्निहित रूप से मूल्यांकन करने की अनुमति देती है, उस समस्या को संबोधित करती है जहाँ कठिन समस्याएँ वर्तमान में मॉडलों को बेहतर सोचने के बजाय अधिक लिखने के लिए प्रशिक्षित कर रही हैं।