Deep Search Efficiency Optimization Tool Use Reward Shaping
摘要

大型语言模型正被扩展为深度搜索代理,通过与外部工具的多步交互解决复杂问题。现有方法常因冗余查询和低效探索导致高昂成本,且统一惩罚工具使用可能抑制必要证据的收集。本文提出CRISP框架,通过关键步骤感知训练高效代理。利用逆向证据诱导构建关键步骤标签,蒸馏出轻量级识别器以单遍分析轨迹。在策略优化中,仅对成功 rollout 应用效率感知奖励。实验表明,CRISP在保持准确率的同时显著降低了交互轮次,提升了效率。

AI 推荐理由

论文聚焦于深度搜索Agent的多步交互效率,通过识别关键步骤优化探索轨迹,属于任务规划与执行路径优化的核心范畴。

研究机构
Baidu Inc., China Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China
论文信息
作者 Haosi Mo, Zihao Yan, Ruiqing Zhang, Zhongli Li, Hexuan Deng et al.
发布日期 2026-08-03
arXiv ID 2608.01867
相关性评分 9/10 (高度相关)