CalibAdv：校准GRPO优势缓解搜索智能体负优势问题

2026年10月15日，arXiv Artificial Intelligence发布报道，Jiayi Wu等作者提出优势校准方法CalibAdv，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，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。报道称代码已开源，论文被EMNLP 2026 Findings接收。上述为该事件目前唯一报道，尚无后续跟进报道，也未出现与早先报道矛盾的数字、时间或说法。相关结论均出自该来源，其准确性有待进一步验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。