Les chercheurs traitent l'inefficacité des modèles de langage augmentés par la recherche en formulant un problème de routage de recherche au niveau des instances, qui décide s'il est nécessaire d'utiliser des preuves externes pour améliorer le succès de la tâche. Ils dérivent une supervision en comparant les résultats sans recherche et avec recherche forcée afin de construire un oracle, qui sert à la fois de critère d'évaluation et de signal d'apprentissage pour l'entraînement des politiques via un ajustement fin supervisé et une optimisation par préférence.

  • Le macro-F1 du routage de recherche sur les exemples éligibles à l'oracle est passé de 0,7082 à 0,8235 pour Gemma E2B.
  • La même métrique a augmenté de 0,7053 à 0,8365 pour Qwen3.5-4B.
  • Les politiques apprises réduisent les échecs de routage spécifiques au modèle, Gemma apprenant principalement une retenue face à l'absence de recherche et Qwen réduisant les recherches manquées.
  • Les cas NON RÉSOLUS résiduels révèlent des goulots d'étranglement hétérogènes impliquant la capacité du modèle, le budget de récupération, l'utilisation des preuves et le comportement de la politique.

Cette approche permet aux modèles de mieux déterminer quand la recherche est bénéfique par rapport à quand une correction, une clarification ou un abstention seraient plus appropriés.