CalibAdv：为搜索智能体校准 GRPO 优势，缓解负优势的双刃剑效应

针对 GRPO 在多跳搜索中惩罚正确中间步骤、训练不稳定等问题，研究者提出优势校准方法 CalibAdv，利用中间步骤正确性在细粒度上缩减过大的负优势，并重新平衡正负优势。该方法基于标准 rollout 信号、轻量易部署，在三个模型和七个基准上同时提升了性能与训练稳定性，代码已开源，论文被 EMNLP 2026 Findings 接收。