论文页面 - FORT-Searcher: 合成抗捷径的搜索任务以训练深度搜索代理

来源：https://huggingface.co/papers/2606.12087
发布于 6 月 10 日

#2 每日论文 (https://huggingface.co/papers/date/2026-06-12)

作者：

,

,

,

,

,

,

,

,

,

,

摘要

一个用于为深度搜索代理创建抗捷径训练数据的框架，通过识别并缓解数据合成过程中的四种捷径风险。

训练深度搜索代理 (https://huggingface.co/papers?q=deep%20search%20agents) 需要可验证的问题，且答案在通过搜索获取足够证据之前不可得。现有合成方法通常通过丰富图结构来增加表观难度，但仅凭结构复杂性并不能保证实际的搜索难度：本应多步的搜索过程可能通过更廉价的识别路径而崩溃。我们通过捷径感知难度框架 (https://huggingface.co/papers?q=shortcut-aware%20difficulty%20framework) 形式化了这一差距，并识别了四种可操作的捷径风险 (https://huggingface.co/papers?q=shortcut%20risks)：证据共覆盖、单线索选择性、暴露常量以及先验知识绑定。为了诊断它们的实际影响，我们使用了轨迹特征 (https://huggingface.co/papers?q=trajectory%20signatures)，包括解决成本、答案命中时间以及先验捷径率。在此框架指导下，我们提出了 FORT (https://huggingface.co/papers?q=FORT)，一个抗捷径训练数据合成框架。FORT (https://huggingface.co/papers?q=FORT) 通过在实体选择、证据图构建、问题制定和对抗性改进中控制捷径风险 (https://huggingface.co/papers?q=shortcut%20risks) 来构建抗捷径的训练数据。实验表明，与现有的开源深度搜索数据集相比，FORT (https://huggingface.co/papers?q=FORT) 诱导了更长的答案前搜索和更少的捷径模式。利用生成的轨迹，我们仅通过监督微调 (https://huggingface.co/papers?q=supervised%20fine-tuning) (SFT) 训练了 FORT (https://huggingface.co/papers?q=FORT)-Searcher，并在具有挑战性的深度搜索基准 (https://huggingface.co/papers?q=deep%20search%20benchmarks) 上取得了可比较规模开源搜索代理中的最佳整体性能。相关资源将在 https://github.com/RUCAIBox/FORT (https://huggingface.co/papers?q=FORT)-Searcher 提供。

查看 arXiv 页面 (https://arxiv.org/abs/2606.12087)查看 PDF (https://arxiv.org/pdf/2606.12087)GitHub4 (https://github.com/RUCAIBox/FORT-Searcher)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.12087)

在您的代理中获取此论文：

hf papers read 2606\.12087

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.12087 以从本页链接。

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.12087 以从本页链接。

引用此论文的 Space0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.12087 以从本页链接。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页链接。