评估即行动：用于检索增强型智能体的自评估过程奖励

检索增强型智能体虽能查询外部证据，但在多步推理中的可靠性仍受限：噪声检索可能破坏多跳问答，而仅基于结果的强化学习提供的信用信号过于粗糙，难以优化中间步骤。本文提出 EvalAct（评估即行动），将隐式的检索质量评估转化为显式动作，强制执行“搜索至评估”协议，使每次检索后紧跟结构化评分，生成与交互轨迹对齐的过程信号。为此，我们引入基于 GRPO 的过程校准优势重缩放（PCAR）方法，根据评估分数在片段级别重缩放优势值，强调可靠片段并保守更新不确定部分。七个开放域问答基准实验表明，EvalAct 取得了最佳平均准确率，尤其在多跳任务上提升显著。