LAPO：多轮搜索推理中基于留一回合归因的自生成过程奖励

针对多轮搜索推理中终端结果奖励无法区分中间交互价值的问题，本文提出 LAPO 方法。该方法基于向后留一回合归因，通过替换检索观察为占位符并测量黄金答案似然度的变化，估算每步贡献。LAPO 引入符号一致性门控机制，无需额外奖励模型或裁判，即可实现有效的过程监督。在七个知识密集型问答数据集上，其表现显著优于现有基线，证明了策略衍生的回溯归因在提升多轮代理推理能力方面的有效性。