PRAISE：基于前缀的滚动复用在代理搜索训练中的应用

在代理搜索中，大语言模型被训练用于执行多轮检索与推理以解决复杂任务（如多跳问答）。然而，现有基于搜索的强化学习方法存在两大局限：昂贵的长程滚动利用不足，且监督信号仅存在于最终答案，导致奖励稀疏。本文提出 PRAISE 框架，旨在提升数据效率与信用分配。该方法从完整搜索轨迹中提取不同轮次的前缀状态，生成中间答案，并利用这些前缀构建额外训练轨迹及推导步级奖励。实验表明，PRAISE 在多跳问答基准上显著优于强基线。