代理訓練與深度搜尋
ABSeeker 從正確答案反推搜尋線索，4B 模型 BrowseComp 成績升至 55.3%
ABSeeker 將搜尋代理的最終成敗拆成逐步獎勵，保留失敗軌跡中的有效查詢並壓低成功軌跡中的錯誤步驟。團隊已公開 4B 權重、推論及訓練管線，但最佳成績仍倚賴額外的上下文管理與 LLM 裁判。
長時間搜尋代理通常只在最後拿到「答案正確或錯誤」的二元獎勵，因此一次錯答會抹掉中途找到的有效證據，一次答對也可能把冗餘查詢與錯誤推論一併強化。ABSeeker 提出的 Answer-Backtracked Credit Assignment（ABC）先利用已知正確答案反向搜尋，重建應被發現的實體、事實與關係；接著由 Clue-Anchored Step Scoring 檢查每一回合是否找到或驗證線索、排除錯誤候選，或引入了錯誤。
這些分數同時進入兩段訓練：ABC-SFT 依回合分數重加權監督損失，ABC-GRPO 則把逐步分數轉為強化學習獎勵。團隊以 Qwen3.5-4B 為底座，SFT 使用 OpenSeeker 的 8,500 條軌跡，其中包含 3,000 條失敗紀錄；RL 再用 1,000 題、每題八次 rollout，單次最多允許 200 個搜尋回合。公開程式包含 ReAct 推論、線索回復、逐步評分、Slime SFT 與 veRL GRPO 管線，搜尋及網頁讀取則分別依賴 Serper、Jina 和額外摘要模型。
未加上下文管理時，ABSeeker 在 BrowseComp、BrowseComp-ZH、xbench-2505、xbench-2510 與 GAIA-text 分別取得 37.3%、39.1%、77.0%、46.0% 和 81.6%；BrowseComp 與中文版套用上下文管理後升至 55.3% 和 52.9%。消融實驗中，ABC-GRPO 在五項測試均高於同資料的標準 GRPO。不過線索與步驟分數本身仍由 LLM 產生，可能把答案洩漏、裁判偏差或單一路徑假設寫入獎勵；驗證集亦有抽樣，最終答案由 DeepSeek-V4-Flash 裁決。後續值得觀察跨搜尋引擎重現、實際 API 成本，以及沒有唯一可回溯答案的研究任務是否仍能受益。