研究者たちは、検索拡張言語モデルの非効率性に対処するため、外部証拠が必要かどうかを判断しタスクの成功を向上させるインスタンスレベルの検索ルーティング問題を定式化する。彼らは、オラクルを構築するために検索なしと強制検索の結果を比較することにより監督信号を導出し、これは評価基準として機能するとともに、教師ありファインチューニングおよび好み最適化を通じてポリシーを訓練するための学習信号としても機能する。

  • オラクル対象例における検索ルーティングのマクロF1は、Gemma E2Bで0.7082から0.8235に改善した。
  • 同様の指標はQwen3.5-4Bで0.7053から0.8365に増加した。
  • 学習されたポリシーはモデル固有のルーティング失敗を削減し、Gemmaは主に検索抑制を学習し、Qwenは見逃し検索を減少させた。
  • 未解決の残存ケースは、モデル容量、検索予算、証拠の利用、およびポリシー行動に関連する異質なボトルネックを示している。

このアプローチにより、モデルは検索が有益な場合と、修正、明確化、または拒否の方が適切である場合をよりよく判断できるようになる。