论文用可验证奖励强化学习训练Qwen3小型搜索智能体
原文标题：Reinforcement Learning with Verifiable Rewards for Small Search Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究将「推理-搜索」范式应用于十亿参数以下的小模型，用 GRPO 训练 Qwen3.5-0.8B 并接入维基百科搜索工具，在 MuSiQue 上仅改变奖励形状。最佳运行在七项问答基准上取得 0.352 平均精确匹配，较未训练基线提升 3.8 倍，且无需蒸馏。结果显示稀疏精确匹配奖励（数学与代码的 RLVR 默认）对小模型最差，小模型 RLVR 需要专门的奖励设计研究。
- 问题
- RLVR 在奖励不明确的开放域问答上是否适用于十亿参数以下的小模型。
- 方法
- 用 GRPO 训练 Qwen3.5-0.8B 并接入维基百科搜索工具，在 MuSiQue 上只改变奖励形状做对照。
- 结果
- 最佳运行在七项问答基准上平均精确匹配 0.352，较未训练基线 0.092 提升 3.8 倍，无需蒸馏。
- 影响
- 小模型做搜索智能体时，照搬数学代码的稀疏精确匹配奖励是错的起点，需专门设计奖励。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Qwen3.5-0.8B经GRPO训练搜索智能体，平均精确匹配0.352，较基线提升3.8倍。
- •用GRPO训练Qwen3.5-0.8B，接入维基百科搜索工具，训练数据为MuSiQue
- •仅改变奖励形状，三种形状各跑三个种子，七项问答基准留出评估
- •最佳运行平均精确匹配0.352，未训练基线0.092，提升3.8倍且无蒸馏
- •稀疏精确匹配奖励在三个种子上均为最差，连其直接优化的精确匹配指标也最差
- •结论：数学与代码的RLVR默认奖励不适合此规模小模型
为什么重要：证明十亿参数以下小模型也能做推理-搜索RLVR，但奖励设计是关键变量，直接影响小模型RLVR的实践路线。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。