Los investigadores abordan la ineficiencia de los modelos de lenguaje aumentados con búsqueda al formular un problema de enrutamiento de búsqueda a nivel de instancia que decide si se necesita evidencia externa para mejorar el éxito de la tarea. Derivan la supervisión comparando los resultados sin búsqueda y con búsqueda forzada para construir un oráculo, que sirve tanto como criterio de evaluación como señal de aprendizaje para entrenar políticas mediante ajuste fino supervisado y optimización de preferencias.

  • El macro-F1 del enrutamiento de búsqueda en ejemplos elegibles para el oráculo mejoró de 0.7082 a 0.8235 para Gemma E2B.
  • La misma métrica aumentó de 0.7053 a 0.8365 para Qwen3.5-4B.
  • Las políticas aprendidas reducen los fallos de enrutamiento específicos del modelo, con Gemma aprendiendo principalmente la restricción de no búsqueda y Qwen reduciendo las búsquedas perdidas.
  • Los casos RESIDUALES NO RESUELTOS revelan cuellos de botella heterogéneos que involucran capacidad del modelo, presupuesto de recuperación, uso de evidencia y comportamiento de la política.

Este enfoque permite a los modelos determinar mejor cuándo la búsqueda es beneficiosa versus cuándo la corrección, aclaración o abstención sería más apropiada.