EG-GRPO：为深度搜索智能体提供证据引导的步级信用分配

EG-GRPO 从合成深度搜索数据的证据标注中提取步级监督，定位每条必需证据的首个支撑引用，并用新获得的证据构建步级过程奖励。该方法将累积证据表示为动态知识状态，进行状态条件相对优势估计，再与轨迹级结果优势结合。在五个深度搜索基准上，EG-GRPO 在不同模型规模下总体优于标准 GRPO 及现有奖励增强和步级 RL 基线。