Agon फ्रेमवर्क प्रशिक्षण के दौरान दो प्रतिस्पर्धी मॉडलों को एक-दूसरे की तर्क प्रक्रियाओं का मूल्यांकन करने के लिए कहकर, सत्यापनीय पुरस्कारों से पुनर्बल सीखने (reinforcement learning) को सक्षम बनाता है। अंतिम उत्तरों या बाहरी पुरस्कार मॉडलों पर निर्भर रहने के बजाय, सिस्टम एक ऐसे तंत्र का उपयोग करता है जहाँ एक मॉडल समाधान की ड्राफ्ट तैयार करता है जबकि दूसरा इसे हल करता है, और वे बारी-बारी से भूमिकाएँ बदलते हैं; जोड़े को अपने प्रतिद्वंद्वी को हराए जाने के लिए पुरस्कृत किया जाता है।
- दोनों मॉडलों का एक साथ अनुकूलन किया जाता है, जो एक क्रमिक रूप से मजबूत प्रतिद्वंद्वी का सामना करते हैं जिसे सिंगल-मॉडल RL प्रदान नहीं कर सकता।
- इस दृष्टिकोण के लिए प्रक्रिया लेबल्स की आवश्यकता नहीं है और यह एक अलग पुरस्कार मॉडल के बिना काम करता है।
- निष्कर्षण (inference) पर, प्रशिक्षित जोड़े को एक दो-चरण की कैस्केड के रूप में तैनात किया जाता है जहाँ एक ड्राफ्ट तैयार करता है और दूसरा ड्राफ्ट पढ़ने के बाद उत्तर देता है।
- Qwen3 के साथ DeepMath के कठिन स्प्लिट पर, Agon GRPO की pass@1 स्कोर को दोगुना कर देता है।
- इस विधि से समान बेस मॉडल पर एक अप्रशिक्षित Mixture-of-Agents की तुलना में लगभग आठ गुना लाभ मिलता है।
- प्रदर्शन में सुधार प्रतिस्पर्धी प्रोग्रामिंग कोड और Qwen3.5 और Gemma 4 सहित विभिन्न मॉडल परिवारों पर दोहराया गया है।
यह विधि मॉडलों को एक-दूसरे के साथ प्रतिस्पर्धा करके तर्क में अंतर्निहित रूप से सुधार करने की अनुमति देती है, और भविष्य का कार्य लैटेंट स्पेस इंटरैक्शन को सक्षम बनाने के लिए निर्देशित है।