研究解读 信息检索 · arXiv 2611.23824
作者 Wen Wang 等
Evidence-Based Credit Assignment for Search-Augmented Language Models
Daily Papers 收录于

如果只奖励最终答对,模型连搜三次再答错,哪一次找到了重要材料很难看出来。这项研究让一个冻结的模型只看问题和已经取得的去重文档,估算新文档对参考答案的帮助,避免让模型写得更好看的搜索过程混进评分。

在七组搜索问答上,ECA-Horizon 相对只用结果奖励的基线,使两种规模模型的严格匹配宏平均分别提升 1.03 和 4.80 个百分点。额外证据信号用于训练,读者看到的分数也主要衡量答案匹配,并不逐条证明引用可靠。

方法部分把每个问题的检索机会对齐到最多三次。假设两次搜索都找回同一篇材料,它会先被去重,因此第二次不能单靠“多搜一次”就得到一份新的证据奖励。对一个需要跨文档查证的问题,这也让第一条线索和后来补齐的材料有机会获得不同的分数。

原始资料