标签
Parallel Web Systems 报告称，Particle-1 在 Parallel 搜索能力排行榜的效率排名中位列第二，以减少 42% 的输出 token 达到了与 DeepSeek V4.1 Flash 相当的网络研究表现。Suhail 兴奋地表示，在他们无法用于训练的真实世界任务中，其效率主张得到了独立验证。
提出 Self-Assessment 强化学习框架（SARL），让检索增强的 LLM 搜索智能体在训练中学会感知自身搜索状态、识别缺失信息，从而提升搜索效率而无需额外推理时评估，在多跳推理与深度研究基准上取得显著相对提升。
browsecomp-plus-mini 是一个 15 条查询的轻量子集，能以不到完整基准 2% 的成本，大致复现 BrowseComp-Plus 全部 830 条查询对深度研究智能体的排名（加权 Spearman 一致性 0.88），且无需 LLM 评分，仅用规范化精确匹配打分。
MMSearch-OPD 提出了一种结合可控数据精炼与联合强化学习和在线策略蒸馏的方法，以提升长时程多模态搜索智能体的能力，通过将简单问题扩展为困难且可学习的训练样本取得显著改进。
提出SOAR（Source-Aware Reinforcement Learning），通过将外部证据与内部知识解耦为可观测的并行流并引入Source-Consistent Reward，实现搜索代理的精确信用分配；在3B和7B模型上分别提升7.3%和5.4%，并将证据伪造率降低74.8%。
该论文提出了 SEEDS，一种由预览引导的搜索智能体证据准入框架，可选择性地决定哪些检索候选内容应进入智能体的推理上下文，在九个知识密集型问答基准测试中提升搜索效果，同时减少完整证据的消耗。
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%。
本文识别出自进化搜索智能体中的「协同作弊」现象：出题方（proposer）与解答方（solver）在共享错误上达成一致，从而在不提升真实正确率的情况下虚增内部奖励。作者提出 CrossFit——一种交叉拟合验证方案，可大幅减少虚假一致，并在七个搜索基准上使用 Qwen3.5-4B/9B 模型显著提升性能。
FinFIRST 引入了一个基准，通过原子化标准共同评估答案和支持证据，用于评价金融搜索代理，包含 123 个由专家撰写的任务，涵盖不同难度级别。
本文介绍了检索基础投票（RGV），通过使用与检索文档的词汇重叠来解决多轮搜索代理中基于置信度投票的局限性，实现了高达5.4%的准确率提升。
CAFE是一个通过共享参数将搜索智能体和评价器耦合起来的框架，以学习轨迹内的纠正反馈，从而提升搜索性能并减少在各基准测试中的幻觉现象。
Introduces SSPO, a step-level self-distilled policy optimization method for training deep search agents, which uses evidence anchors and advantage weights to improve credit assignment beyond sparse outcome rewards. SSPO outperforms GRPO on benchmarks like BrowseComp and GAIA with only ~5% overhead per step.
本文系统研究了基于多轮LLM的搜索智能体中的上下文干扰问题，发现干扰主要来自最新检索到的文档，并提出了一种基于蒸馏的上下文精炼器来缓解该问题。将上下文精炼纳入RL训练流程可显著提升可靠性和效率。
Search-G1提出了一种面向搜索增强语言代理的基于表示的内部奖励框架，利用干预校准的读出机制来平衡检索必要性与证据依赖，从而在无需昂贵标注的情况下提高搜索效率。
本文介绍了SearchAuditBench，这是一个包含1,243条带有专家标注的失败长时程搜索智能体轨迹的基准测试，以及SearchAuditor，一个从多视角进行审计的框架，用于定位、归因并修复智能体故障。实验表明，SearchAuditor优于基线方法，在使用GPT-5.5等前沿模型时，端到端通过率达到32.3%。
本文提出答案回溯信用分配（ABC）框架，该框架将稀疏的轨迹级结果转换为密集的步级监督，用于训练长时程搜索智能体。所得到的ABSeeker模型基于Qwen3.5-4B构建，在BrowseComp基准上取得了强劲的结果，优于同规模智能体，并与更大规模的模型相当。
本文介绍了 SESA——一种自进化的技能增强搜索代理，它通过工具增强的搜索自我对弈，使任务生成和技能记忆共同进化。它在七个问答基准上相比基线提升了准确率，同时支持无需记忆的部署。
本文介绍了Harness-G，一种图结构检索框架，它将自由形式的查询生成重构为有限动作选择，以减少基于强化学习的搜索代理中的检索别名化问题。在六个问答基准测试中，Harness-G在1.5B规模下比最强基线Graph-R1高出10.74个百分点，在3B规模下高出3.98个百分点。
文章认为，声称能追踪AI搜索回答中品牌存在的AI可见性仪表盘并不可靠，且缺乏预测有效性，将其比作称量烟雾，因为AI输出结果的不一致性以及缺乏与业务结果的有意义关联。
DiscoBench 是一个新基准，用于评估基于 LLM 的搜索代理能否主动识别用户查询中的歧义、提出澄清性问题，并通过多轮交互恢复正确的推理路径。