EG-GRPO：证据引导的步级信用分配框架

2026年10月20日，arXiv 人工智能板块刊出 Sijia Luo 等作者的论文，提出面向深度搜索智能体的强化学习框架 EG-GRPO（证据引导的组相对策略优化）。据该报道，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；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。报道称，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强化学习基线。目前该事件仅有这一篇主报道，尚无跟进报道，也未见与其他来源数字或说法不一致之处；上述性能结论来自论文作者自述，尚待独立验证。

AI 根据报道生成 · 35 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。