SearchJev：一个快速且经过校准的搜索代理 System-1 模型

Hugging Face Daily Papers 论文
search-agents calibration system-1 benchmark soft-label-learning efficiency

摘要

SearchJev 为搜索代理引入了一个快速且经过校准的 System-1 模型，它无需自回归生成即可为决策打分，并通过用于校准决策的软标签学习（SLCD）来降低延迟、提升置信度的可靠性。将 SearchJev 与 System-2 模型结合的双系统代理在 BrowseComp-Plus 上实现了最高 4.7 倍的加速，同时将答案准确率从 45% 提升至 54%。

搜索代理需要不断就相关性、证据充分性以及搜索动作做出简短决策。使用生成式语言模型来完成这些决策会引入延迟，并且其置信度并不可靠。我们提出 SearchJev——一个快速且经过校准的 System-1 模型，它将搜索决策与 System-2 的推理和生成过程分离开来。给定一个搜索状态和决策模式（schema），SearchJev 无需自回归输出生成即可直接为合法选项打分。我们提出了用于校准决策的软标签学习（Soft-Label Learning for Calibrated Decisions，SLCD），从不确定的监督信号中学习决策概率，并校准其置信度。在双系统搜索代理中，SearchJev 负责简短决策，并将不确定的判断委托给 System 2，由后者承担规划、查询生成和答案组合的工作。我们还提出了 SearchDecision-Bench，一个统一了六类搜索决策的训练与评估基准。在 SearchDecision-Bench 上，SEARCHJEV 相比同等规模的 Qwen3.5 自回归模型提升了决策质量，决策速度提高 5.2-5.3 倍，平均期望校准误差降低 41-74%。在 BrowseComp-Plus 上，双系统代理将主动搜索时间缩短至原来的 1/3.7-1/4.7，同时将答案准确率从 45% 提升至最高 54%。
查看原文
查看缓存全文

缓存时间: 2026/10/06 08:53

论文页面 - SearchJev：一种快速且经过校准的 Search Agent 的 System-1 模型

来源：https://huggingface.co/papers/2610.05107

摘要

Search Agent 会反复就相关性、证据充分性和搜索动作做出短决策。使用生成式语言模型来做这些决策会带来延迟以及不可靠的置信度。我们提出了 SearchJev，这是一种快速且经过校准的 System-1 模型，将搜索决策与 System-2 推理和生成分离开来。给定一个搜索状态和决策模式（decision schema），SearchJev 可以直接对合法选项进行打分，而无需自回归地生成输出。我们提出用于校准决策的软标签学习（Soft-Label Learning for Calibrated Decisions，SLCD），从不确定的监督信号中学习决策概率并校准其置信度。在双系统 Search Agent 中，SearchJev 负责处理短决策，并将不确定的判断委托给 System 2，后者保留规划、查询生成和答案组织的能力。我们还引入了 SearchDecision-Bench，这是一个将六类搜索决策统一起来用于训练和评估的基准。在 SearchDecision-Bench 上，SearchJev 相比同规模的 Qwen3.5 自回归模型提升了决策质量，决策速度提高 5.2–5.3 倍，并将平均期望校准误差（ECE）降低 41–74%。在 BrowseComp-Plus 上，双系统 agent 在主动搜索时间上实现了 3.7–4.7 倍的加速，同时将答案准确率从 45% 提升至最高 54%。

查看 arXiv 页面 查看 PDF 项目页面 GitHub 添加到收藏

在你的 agent 中获取这篇论文：

hf papers read 2610.05107

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

引用该论文的模型 0

没有模型关联该论文

在模型 README.md 中引用 arxiv.org/abs/2610.05107，即可从本页面链接到该论文。

引用该论文的数据集 0

没有数据集关联该论文

在数据集 README.md 中引用 arxiv.org/abs/2610.05107，即可从本页面链接到该论文。

引用该论文的 Spaces 0

没有 Space 关联该论文

在 Space README.md 中引用 arxiv.org/abs/2610.05107，即可从本页面链接到该论文。

收录该论文的合集 0

没有合集收录该论文

将该论文添加到合集，即可从本页面链接到该论文。

相似文章