★ 3论文用可验证奖励强化学习训练Qwen3小型搜索智能体研究将「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 …arXiv cs.AI38 天前