arXiv论文提出改进搜索代理强化学习框架

发生了什么

据arXiv cs.CL论文，研究通过中间监督改进大模型搜索代理的强化学习训练框架。针对RLVR依赖稀疏结果奖励导致信用分配困难的问题，论文系统研究了从中间检索步骤提供学习信号的奖励塑造策略。实验表明，结合中间信号与最终结果奖励可提升多步搜索轨迹的学习效率，且中间信号的选择和信用分配方式显著影响训练行为。