Jasper 发布 RL 训练搜索 Agent 教程:奖励函数微调全程开源

simonguozirui · x · 2026-09-19

Tinker 团队转发 Jasper 的一篇入门研究博客:用强化学习训练搜索型 agent 是很好的 RL 起点素材,因为每个杠杆对模型行为的影响都清晰可读。文中展示了如何通过对奖励函数做小幅修改,教会模型避免马虎的工具调用、剪除不必要的文档检索,并在坚持性与 token 效率之间取得平衡。作者公开了全部代码、可浏览的 rollout 记录,并完整讲述了从学习率扫描到 reward shaping 的思考过程。