DR Tulu（华盛顿大学 / AI2）：Rubric 跟着策略模型共同进化，训出首个开源长文深度研究模型

📄 DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research

2025-11 · 华盛顿大学 · Allen Institute for AI（AI2）· CMU · MIT 等 · 代码

一句话：现有开源深研 agent 大多只在"有标准答案"的短文 QA 上用可验证奖励做 RL，训出来的能力很难迁移到真正开放式的长文报告任务；DR Tulu 提出 RLER（Reinforcement Learning with Evolving Rubrics）——让评分 rubric 在训练过程中随策略模型的 rollout 持续演化，靠检索证据核事实、靠同批候选回答互相对照发现优劣与作弊——训出的 8B 模型在四个长文深研基准上平均反超最强开源基线 15.6 分，逼平甚至反超 OpenAI Deep Research，单次查询成本却只有其千分之一。

📖 论文原文 Abstract（英文）

Deep research agents perform multi-step research to produce long-form, well-attributed answers. However, most open deep research agents are trained on easily verifiable short-form QA tasks via reinforcement learning with verifiable rewards, which does not extend to realistic long-form tasks. We address this with Reinforcement Learning with Evolving Rubrics (RLER), where rubrics are constructed and maintained to co-evolve with the policy model during training. This allows the rubrics to incorporate newly explored information from search and contrasting model responses, enabling better fact checking and more discriminative on-policy feedback. Using RLER, we develop Deep Research Tulu (DR Tulu-8B), the first open model that is directly trained for open-ended, long-form deep research. Across four long-form deep research benchmarks in science, healthcare, and general domains, DR Tulu substantially outperforms existing open deep research agents (by 15.6% over Tongyi DR on average) and matches or exceeds proprietary deep research systems (by 0.7% over OpenAI DR on average), while being significantly smaller and cheaper per query (1000× cheaper than OpenAI DR per query).

相关：Deep Research 总览 · Tongyi DeepResearch · QUEST · DR-Rubric · Co-ReAct · Rubric 化评测与训练

图源：Shao et al., DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research（arXiv:2511.19399）Figure 1——性能与推理成本的帕累托对比（用于学习注解，版权归原作者）。

动机与创新点：可验证奖励训不出长文深研，rubric 又长期困于"人工手写"或"闭卷生成"

深研（DR）agent 要靠规划、搜索、跨源综合来产出有据可查的长文答案。作者指出现有开源 DR agent 分两类，都不满足"直接为开放式长文训练"这一需求：

• 训练无关（training-free）：用现成模型配手写 prompt，能力上限被底座模型锁死。
• RLVR（可验证奖励 RL）：在搜索密集但受限于短文的问答任务上训练——如 Search-R1、ASearcher 一类工作，優化目标是"答案是否精确匹配 gold answer"。

RLVR 训练之所以难以直接扩展到开放式长文任务，根子在于可靠奖励信号本身就难定义：

The desiderata for good responses are often under-specified ... and therefore hard to fully capture with static, pre-defined evaluation criteria. Moreover, accurate assessment often requires access to extensive and up-to-date external information beyond a model's parametric knowledge.

Rubric（把"什么是好回答"拆成一组可核验的加权标准）看似是天然解法，但论文观察到现有 rubric 训练方法普遍依赖两条腿走不远的路：要么靠人工专家书写并迭代打磨 rubric，要么假设训练时能拿到参考答案——这两条都无法规模化到海量、持续变化的长文深研数据分布。而自动生成又面临两个具体难点：

• 长文问题本身欠约束：同一个开放式问题可能有多种同样合理的"好答案"形态，一套固定的小规模评分标准不足以覆盖。
• 深研任务知识密集：判断一个论断对不对，往往需要接入模型参数之外、且在不断更新的外部知识；一个闭卷、静态的 LM 生成 rubric——不接触任何检索证据——"容易漏掉证据、放过细微错误，还容易被 reward hacking 钻空子"（closed-book static LM-generated rubrics risk missing evidence, subtle errors, and are vulnerable to reward hacking）。

关键创新：

• RLER（Reinforcement Learning with Evolving Rubrics）：让 rubric 具备三个特性——实例特定（instance-specific）、扎根外部知识（grounded in external knowledge）、且与策略模型共同进化（co-evolve with the policy model），而非训练前一次性生成、训练中一成不变。
• 给 rubric 生成器"特权信息"制造生成-验证 gap：一是多路搜索 rollout 检索到的外部知识，用来核实事实；二是同一 prompt 下多条独立采样的模型回答，提供可对照的相对优劣信号——rubric 生成器看到的信息比被评估的策略模型本身更多，这个信息差正是 rubric 能"抓得住"策略漏洞的来源。
• 正/负两类演化 rubric：正向 rubric 捕捉当前策略已经探索到、但尚未被现有 rubric 池覆盖的优点或新知识；负向 rubric 则总结从批量回答里观察到的共性作弊行为（如逐字照抄检索内容以刷高引用精度），显式压制 reward hacking。
• rubric 缓冲区管理：按"判别力"（rubric 在同批 rollout 打分上的方差）筛选、合并、排序，把无区分度（零方差）的 rubric 剔除，只保留固定数量、方差最高的 rubric，防止 rubric 池随训练无限膨胀。
• DR Tulu-8B：首个端到端针对开放式长文深研训练的开源模型（SFT 冷启动 + RLER RL），配套开源全套基础设施 dr-agent-lib，并自建面向临床遗传学的评测集 GeneticDiseasesQA。

方法：搜索增强的演化 rubric + rubric 缓冲区管理 + SFT 冷启动/RL 训练配方

RLER 总览：rollout → 生成新 rubric → 打分更新策略 → 更新 rubric 池

RLER 的核心循环围绕一个不断迭代的"rubric 池"展开。给定训练 prompt $x$，rubric 池 ${\mathcal{R}}_x={\mathcal{R}}_x^{\text{persist}}\cup {\mathcal{R}}_x^{\text{active}}$ 由持久 rubric（训练前生成，全程不变）与当前活跃的演化 rubric共同组成。

在每一步，对 prompt $x$ 及其对应的一组回答 $\{y_i{\}}_{i=1}^G$（$G$ 为 rollout 数），把 prompt、全部采样回答（含搜索上下文与最终答案）、以及既有 rubric 池 ${\mathcal{R}}_x$ 一起喂给 rubric 生成 LM ${\mathcal{G}}_{\text{rubric}}$，得到一组演化 rubric ${\mathcal{R}}_x^{\text{new}}={\mathcal{G}}_{\text{rubric}}(x,\{y_i{\}}_{i=1}^G,{\mathcal{R}}_x)$。具体要求 LM 生成两类 rubric：

• 正向 rubric（positive）：捕捉当前策略展现出的优点，或者已被探索到、但还未被 ${\mathcal{R}}_x$ 覆盖的新知识/相关信息；
• 负向 rubric（negative）：总结在这批回答里观察到的共性不良行为——如"逐字复制检索内容以刷高引用精度"这类 reward hacking，可被识别并压制。

图 2 里的具体例子：三条同批 rollout 里，$y_1$ 说"T 细胞抑制巨噬细胞 TNF-α（经 STAT3 激活）"，$y_2$ 说"系统性 IL-6 并未升高、未观察到细胞因子释放综合征"，$y_3$ 则声称"一个抗炎信号反而增加了促炎信号"。生成器据此产出 $r_1$（正向，肯定 $y_1$ 提到 STAT3 激活这一细节）、$r_2$（正向，肯定 $y_2$ 的细胞因子释放综合征判断）、$r_3$（负向，判定 $y_3$ 关于抗炎信号增加促炎信号的说法系"错误论断"）——正是靠同批候选互相对照才发现了这类需要被压制的错误。

图源：Shao et al., DR Tulu（arXiv:2511.19399）Figure 2——RLER 训练循环：rollout 采样 → rubric 演化生成 → rubric 打分 → 策略更新（用于学习注解，版权归原作者）。

初始化：用搜索结果生成持久 rubric

训练开始前，先为每个训练 prompt $x$ 建一个定制化的 rubric 缓冲区。具体做法：对 $x$ 执行 $\text{SEARCH}(x)$，用网络搜索 API 检索到相关文档，再把这些检索文档与问题 $x$ 一起喂给 rubric 生成 LM ${\mathcal{G}}_{\text{rubric}}$，产出一组持久 rubric ${\mathcal{R}}_x^{\text{persist}}=\{R_1,R_2,\dots ,R_{K_s}\}$，在全程 RL 训练中始终保留、不被淘汰——这批 rubric 的作用是把"该问题客观应该覆盖哪些事实"这层基础判据先钉死，避免后续演化 rubric 全部聚焦在策略当前表现上而丢失广度。

Rubric 打分公式

对问题 $x$ 与其 rubric 集合 ${\mathcal{R}}_x=\{(r_{x,k},w_{x,k}){\}}_{k=1}^K$（$r_{x,k}$ 是第 $k$ 条 rubric 条目，$w_{x,k}\in \mathbb{R}$ 是其权重），最终响应 $y$ 的评分为：

$$S(x,y)=\frac{\sum _{k=1}^K{w}_{x,k}\text{JUDGE}(r_{x,k},y)}{\sum _{k:w_{x,k}>0}{w}_{x,k}}$$

每条 rubric 由一个 judge LM 独立打分，输出 $\{0,0.5,1\}$ 中的一个值，衡量 $y$ 对该条 rubric 的满足程度。作者强调用 rubric 当奖励的关键优势在于：rubric 的条目具体、定义明确，天然降低了 judge 模型自身偏置的影响，使不同 LLM-as-judge 跑次之间的打分更一致、更可比。

Rubric 缓冲区管理：按判别力筛选、去重、限量

没有约束的话，rubric 数量会随训练线性增长。为维持一个紧凑但信息量高的集合，论文设计了一套按**判别力（discriminative power）**筛选、合并、排序的缓冲区管理策略：

1. 每轮 GRPO rollout 后，用当前活跃 rubric 给全部 $\{y_i{\}}_{i=1}^G$ 打分，得到每条 rubric 在这批回答上的打分；
2. 零方差的 rubric 直接移除——所有回答在这条 rubric 上打分一致，说明它对当前策略毫无区分力；
3. 对剩余 rubric 按打分的标准差降序排列，只保留标准差最高的 $K_{max}$ 条，控制评测成本的同时保留最有信息量的判据。

除了 rubric 本身的奖励，论文还引入三项辅助奖励——格式（format）、搜索（search）、引用（citation）——分别鼓励正确的输出格式、有效使用搜索工具、以及生成有高质量引用支撑相关论断的回答（细节见论文附录 D.5）。

DR Tulu 训练配方：dr-agent-lib 基础设施 + SFT 冷启动 + RLER 在线 RL

在 RLER 之上，作者从 Qwen3-8B 出发训练 DR Tulu-8B，动作空间定义为 {think, tool, answer, cite}：模型每步采样一个动作，若属于 {think, answer, cite} 就把输出追加进上下文；若是 tool，则执行工具调用、把返回结果追加进上下文，循环直到选择 answer 产出最终答案。

Agent 基础设施 dr-agent-lib：一个可扩展、面向搜索/浏览的 agent 库，三个核心特性——(i) 统一的、基于 MCP 的工具后端，整合本地与 API 两类网络搜索/浏览工具；(ii) 高并发后端，含全局缓存与异步进程锁，支撑限速感知的高效工具调用；(iii) 轻量可组合的 prompt 层，可细粒度控制搜索工作流与配置。训练时实现的自动搜索工作流包含三个工具：google_search（query → 网页摘要片段）、web_browse（URL → 抓取网页正文）、paper_search（query → 论文段落）。

SFT 冷启动：目标是从教师模型蒸馏常见搜索模式，为初始模型打底、加速后续 RL 收敛。Prompt 兼顾长文与短文两类：

• 长文 query 来自 SearchArena 与 OpenScholar 的真实用户提问（分别覆盖通用领域与科学领域），并用一个 LM 对每条 prompt 按 1–5 分打分做质量过滤；
• 短文 query 取自 HotpotQA、TaskCraft、WebWalker-Silver、MegaScience 等既有数据集，并补充受 PopQA 启发的高难合成 prompt。

对每条 prompt，指导 GPT-5 生成包含模拟推理、工具使用与最终答案的完整轨迹（system prompt 里指定前述自动搜索工作流），再做两道拒绝采样过滤：(i) 只保留符合预期"工具调用+答案"格式的轨迹；(ii) 对短文 prompt，剔除最终答案与 gold answer 不匹配的轨迹。最终得到 16K 条 SFT 轨迹。

在线 RL：异步工具调用的定制版 GRPO。RL 阶段只针对长文问题训练：沿用与 SFT 相同的 LM 过滤流程，从 SearchArena 与 OpenScholar 收集约 5K 条 prompt，再加约 4K 条来自 RaR 的 prompt 以增加多样性（RaR 的 prompt 训练时直接用数据集自带的 rubric 初始化，而非重新做搜索式生成，但仍保留训练中演化 rubric 的机制）。RL 基于 GRPO（Open-Instruct 实现）的定制版本，结合 token 级 loss、1-step 异步训练、工具输出屏蔽（tool output masking）与样本打包（sample packing）以提升效率；并采用异步工具调用——工具请求在 rollout 生成过程中一触发即被派发，而不必等待整批完成，减少长程工具交互场景下的流水线阻塞。

实验结果：四个长文基准平均超最强开源基线 15.6 分，成本仅闭源系统千分之一

评测设置

• 四个长文、开放式基准：HealthBench（医疗健康）、ResearchQA、AstaBench-ScholarQA-CS2（SQAv2）（科学文献综合）、DeepResearchBench（DRB）（通用领域深研）。均要求长文回答，用人工撰写或人工核验过的 rubric，按官方协议评测。
• 三类基线：① 开源深研模型——ASearcher-7B、WebThinker-32B、Search-R1-7B、WebExplorer-8B、Tongyi DeepResearch-30B-A3B（这些模型的训练主要针对短文 QA，长文任务上只是喂入官方评测 prompt、要求输出报告式回答）；② 固定流水线深研——WebThinker-32B（report 模式）、Ai2 ScholarQA（用固定推理时流水线接现成 LM，跑其官方实现的默认/推荐设置）；③ 闭源深研——OpenAI Deep Research、Perplexity Sonar（reasoning）、Claude-Sonnet Search、Gemini 3 Pro + Search。

主结果（Table 1，以原文为准）

分组	系统	SQAv2	HealthBench	ResearchQA	DRB	Average
闭源深研	Claude-Sonnet Search	–	–	64.3	34.5	–
闭源深研	Perplexity-Sonar（High）	–	–	69.1	40.7	–
闭源深研	Perplexity Deep Research	67.3	–	75.3	42.3	–
闭源深研	Gemini Deep Research	–	–	68.5	48.8	–
闭源深研	Gemini 3 Pro + Search	69.8	38.0	74.3	46.3	57.0
闭源深研	GPT-5 + Our Search	61.1	31.1	62.8	50.3	51.3
闭源深研	GPT-5 + Search	74.8	59.5	78.2	50.7	65.8
闭源深研	OpenAI Deep Research	79.6	53.8	79.2	46.9	64.9
Naive RAG	Qwen3-8B	40.4	16.5	56.1	33.3	36.5
Naive RAG	QwQ-32B	41.9	24.5	60.9	40.3	41.9
开源深研模型	Search-R1-7B	22.2	-0.1	27.9	9.5	14.9
开源深研模型	ASearcher-Web-7B	26.9	-13.0	19.4	7.8	10.3
开源深研模型	WebExplorer-8B	42.5	33.7	64.8	36.7	44.4
开源深研模型	WebThinker-32B-DPO	32.9	11.1	48.6	23.3	28.9
开源深研模型	Tongyi DeepResearch-30B-A3B	46.5	46.2	66.7	40.6	50.0
固定流水线深研	WebThinker QwQ-32B（report）	45.2	36.5	72.8	37.9	48.1
固定流水线深研	WebThinker-32B-DPO（report）	46.7	39.4	74.2	40.6	50.2
固定流水线深研	Ai2 ScholarQA - Claude Sonnet	87.7	32.0	75.0	36.1	57.7
开源深研（本文）	Qwen3-8B + Our Search	57.2	5.9	46.3	18.2	31.9
开源深研（本文）	DR Tulu-8B（SFT）	72.3	38.1	68.5	39.0	53.9
开源深研（本文）	DR Tulu-8B（RL）	88.3	52.8	75.7	45.4	65.6

（HealthBench 允许负分，因为其 rubric 含惩罚性负向条目；* 号数据为原基准作者自报、† 号为在 100 条子集上评测，均以原文为准）

DR Tulu-8B 在长文任务上超过全部开源深研模型：RL 版本平均分 65.6，比此前最强开源基线 Tongyi DeepResearch-30B 高 15.6 分。以短文任务为主要训练目标的模型（Search-R1、ASearcher）在真实报告长度的生成任务上表现很差，且现有开源基线普遍缺乏引用能力，导致 SQAv2（尤其看重引用质量）上得分极低。

DR Tulu-8B 也超过开源固定流水线深研系统：WebThinker-32B 用重度工程化的 report 模式推理，相比默认模式提升 +21.3 分，但每个基准仍不敌 DR Tulu-8B，尽管其骨架模型达 32B；Ai2 ScholarQA 用闭源 Claude Sonnet 底座、专为科学文献综合设计，在 SQAv2 上具竞争力，但 HealthBench 与 DRB 上落后，平均分更低。

DR Tulu-8B 匹配或超越闭源深研系统：在 SQAv2 上取得所有系统里的最强表现；在其余长文基准上匹配或超过多数闭源深研系统——超过 Claude Sonnet Search、Perplexity Sonar（高推理档）、Perplexity Deep Research，与 OpenAI Deep Research 总体相当。作者也观察到 GPT-5 + Search 与 Gemini 3 Pro + Search 在部分数据集上优于对应的"深研变体"，说明底座模型能力本身仍对结果有重要影响，但一个仅 8B 的开源模型能与这些更大规模的专有系统打平甚至反超，证明了训练配方本身的有效性。

成本：比闭源系统便宜三个数量级，比同类开源模型也更省

DR Tulu-8B 单次查询成本 仅算工具 API 时 $0.00008，加上通过 OpenRouter 计的 LM 推理成本（按 Qwen3-8B 定价）也只有 $0.0018；相比之下 OpenAI Deep Research 在 SQAv2 上单次查询约 $1.80，Ai2 ScholarQA（Claude Sonnet）约 $1.30——DR Tulu-8B 比 OpenAI Deep Research 便宜约 1000 倍。它也比其他开源深研模型更省：Tongyi Deep Research 约 $0.03/query，WebThinker 约 $0.003/query（report 模式 $0.015/query）。这个成本优势来自自适应的工具调用：在 SQAv2 上 DR Tulu-8B 90% 的时间使用免费的 paper_search；在覆盖更广泛通用主题的 DRB 上，则约 55% 的时间转而依赖 web 搜索与浏览，说明模型学会了按任务性质切换搜索工具，而不是像先前工作那样死绑一种检索方式。

应用案例：GeneticDiseasesQA——致病基因变异的临床深研

为在真实、专家驱动的深研任务上评估 DR Tulu，作者与医学专家合作，聚焦临床遗传学中的致病变异解读，构建了 GeneticDiseasesQA——覆盖 24 个致病基因变异的 47 道专家撰写问题，要求模型从生物数据库、研究文献、病例报告等异构证据源里聚合信息，聚焦分子后果、疾病机制、治疗证据三类内容，产出长文、带引用的报告。评测按四个维度打分：Final Answer（专家标注事实的覆盖率）、Evidence Support（引用是否被原文完整支持）、Evidence Quality（是否给出所需类型的支持性证据）、Evidence Synthesis（是否给出跨多来源关系的综合陈述）。

图源：Shao et al., DR Tulu（arXiv:2511.19399）Figure 3——GeneticDiseasesQA 上多系统的四维度对比（用于学习注解，版权归原作者）。

结果显示 DR Tulu-8B 在全部指标上大幅超过 Qwen3-8B 基线，并在 Final Answer 正确性上超过 Ai2 ScholarQA；虽然 GPT-5 与 Gemini 系统在 Final Answer 分数上更高，DR Tulu-8B 在 Evidence Support / Evidence Quality / Evidence Synthesis 上都保持竞争力，凸显其在跨源可靠推理上的相对优势。这一结果表明 DR Tulu-8B 能有效泛化到未见过的、真实专家领域深研任务。

短文 QA 泛化：只用长文数据做 RL，短文能力反而继续提升

尽管 RLER 训练目标只针对长文，但 SFT 混合数据里刻意保留了需要搜索的短文可验证 QA 任务，用来考察是否会牺牲简洁问答能力。评测集为 SimpleQA、WebWalkerQA、2Wiki（各随机采 1000 题，GPT-4.1 当 judge 报告 Pass@1）：

	SimpleQA	2Wiki	WebWalker	Avg.
Qwen3-8B（Naive RAG）	52.6	18.9	8.8	26.8
QwQ-32B（Naive RAG）	57.2	34.2	10.1	33.8
Qwen3-8B + Our Search	70.5	44.0	27.9	47.5
DR Tulu-8B（SFT）	75.5	66.5	31.9	58.0
DR Tulu-8B（RL）	75.9	68.9	39.0	61.3

SFT 阶段相比 Qwen3-8B + Our Search 基线已有明显提升，验证了 SFT 数据对短文 QA 同样有效；更值得注意的是，尽管 RL 只用长文 prompt 训练、显式优化长文生成，DR Tulu（RL）依然在短文 QA 上进一步提升，平均分再涨 3.3 点——说明 RLER 训练学到的能力具有跨任务（长文↔短文）的泛化性，而非过拟合于某一种输出形态。

消融分析

• SFT 需要长短文混合监督，但长文任务收益递减：去掉长文数据会显著拉低所有长文基准表现；去掉短文数据则长文表现基本不变，但明显拖累 2Wiki 等短文任务——说明短文监督主要起"保底通用能力"的作用，单靠它无法支撑开放式深研。
• RL 受益于更强的 SFT 起点与更长训练：直接从 Qwen3（无 SFT）开始 RL，相比无训练基线大幅提升，但仍不及哪怕只用 5% 全量 SFT 数据做冷启动；扩大 SFT 数据规模能进一步提升 RL 起点；延长 RL 训练步数也很关键——部分评测（如 DRB）起初看似已经饱和，继续训练后仍有提升。
• 演化 rubric 比"只用初始 rubric"更好：把 evolving rubric 从流程里去掉、只保留最初的搜索式静态 rubric，平均性能最多下降 2 个百分点，且随训练推进差距会进一步拉大——因为演化 rubric 能持续捕捉策略新探索到的知识，静态 rubric 做不到。
• RLER 不依赖强闭源 judge：把 GPT-4.1 / GPT-4.1-mini 换成与初始策略同源的 Qwen3-8B 同时充当 rubric 生成器与 judge，训练 1000 步后，开放 judge 版本仍比 SFT checkpoint 提升 +4.4 分，只比 GPT-judge 配置（+5.7）低 1.3 分——说明 RLER 的收益不是靠蒸馏更强的专有模型，这套方法在没有强模型可用时依然可迁移。
• 搜索式 rubric 优于闭卷 rubric：在同一个中间 SFT checkpoint 上，对比"通用 rubric"（简单 prompt+LM judge 打分，无 rubric 结构）、"闭卷 rubric"（不接触任何检索信息生成）、"搜索式 rubric"（接入初始检索结果生成）三种静态 rubric 做 500 步 RL，搜索式 rubric 全面优于另外两种——再次印证"rubric 必须扎根外部知识"这一设计前提。

在 Deep Research 谱系里的位置

• vs Tongyi DeepResearch / REDSearcher / Marco DeepResearch / Step-DeepResearch（RLVR 训练、单答案可验证奖励）：这些工作虽然最终产品也支持长文报告，但训练阶段的 RL 奖励几乎全部锚定在"搜索密集但答案唯一可精确匹配"的短文 QA 数据上，长文能力更多靠 SFT 阶段的格式/风格数据、或推理时的 prompt 工程撑起来。DR Tulu 的核心差异是直接在开放式长文任务上做 RL，用 RLER 解决"长文奖励怎么定义"这个前置难题，是这条路线上第一个把 RL 奖励信号本身建在长文、非唯一答案任务上的开源工作。
• vs DR-Rubric（复旦/小红书，把"造 rubric"本身当深研任务）：两者都用 rubric 驱动深研训练的奖励，但解决的子问题不同——DR-Rubric 关注如何一次性构造出一份高质量 rubric（把 rubric 构造重写成一次 agentic 深度搜索），产出后交给 GRPO 训练消费；RLER 关注的是 rubric 要不要变、怎么随训练变，靠"多路 rollout 对照 + 检索证据"持续新增/淘汰 rubric 条目，本质上是给同一类"rubric 驱动 RL"路线补上了"训练时动态维护"这一环，二者可以看作互补而非竞争的设计点。
• vs QUEST（OSU NLP，统一 rubric 树做数据合成）：QUEST 把 rubric 树嵌进全合成任务的数据生成管线，叶节点在数据合成阶段就被自动核验、之后基本保持静态；DR Tulu 的 rubric 则是在真实（非全合成）长文 query 上、随策略训练逐步演化——QUEST 论文本身也把 DR Tulu 列为对比基线，指出其"rubric 覆盖 report synthesis / citation grounding 但不支持任务合成"，两者在"rubric 从哪来"这一问题上分别走了"合成数据+静态树"与"真实数据+动态演化"两条路，详见 QUEST 专页。
• vs Co-ReAct（阿里通义+清华，rubric 当推理时步骤级指导）：Co-ReAct 的 rubric 完全不参与训练奖励，而是推理时注入 ReAct 每一步、指导下一步该做什么；DR Tulu 的 rubric 则纯粹作为训练阶段的 RL 奖励信号，不参与推理。两者是"rubric 驱动深研"这条大方向在训练侧与推理侧的两个几乎不重叠的落点，可对照阅读。
• 整体定位与"国产/开源刷榜竞赛"背景见 Deep Research 总览。