SPADER：面向多答案问答的逐步同伴优势与多样性感知探索奖励

大型语言模型常作为工具增强代理以获取参数外知识，但现有工作多聚焦单答案任务。针对需发现全面有效答案集的多答案问答场景，本文提出 SPADER 强化学习框架。该框架包含逐步同伴优势机制，实现无评论家的步级信用分配；以及多样性感知探索奖励，促进长尾实体发现。实验表明，SPADER 在多项基准上显著提升了召回率与 F1 值，优于基于提示及结果监督的方法。