4B模型媲美30B！上交大ABSeeker提出细粒度步级奖励训练搜索智能体
SJTU · hf · 2026-08-06
上海交通大学提出 Answer-Backtracked Credit Assignment (ABC) 框架，旨在解决长程搜索智能体训练中轨迹内所有动作被同等对待的问题。
- 核心机制：通过从最终答案回溯恢复中间线索，对每一步搜索动作进行打分，将稀疏的轨迹级结果监督转化为密集的步级奖励，从而奖励有效动作并抑制冗余或错误动作。
- 训练应用：开发了重新加权损失的 ABC-SFT 和使用步级分数作为奖励的 ABC-GRPO。
- 性能表现：基于 Qwen3.5-4B 和仅 8.5k 样本训练出的 ABSeeker，在 BrowseComp 测试中取得优异成绩。结合上下文管理后得分进一步提升至 55.3%（英文）和 52.9%（中文），显著超越同等规模（4B）的智能体，甚至媲美约 30B 规模的更大模型。
「编程与Agent」频道最新
- 终结AI胡编：将模糊任务转化为有明确标准的工程实践 — _ScottCondron · 2026-08-06
- AWS Bedrock 推出 OpenAI 模型原生联网搜索功能 — DigitalColmer · 2026-08-06
- 开发者实测：用 Claude Opus 写 C 代码驱动 ESP32 — petewoodbridge · 2026-08-06
- 弃用生成式视频：用 Agent 自动化拍摄产品演示新思路 — socialwithaayan · 2026-08-06
- 论文提出面向 AI 智能体的 Token 原生存储架构 — bclavie · 2026-08-06
- 生产级语音智能体用什么STT？开发者吐槽：LLM常背锅，问题多在语音链路 — potqtocake · 2026-08-06