Исследователи решают проблему неэффективности языковых моделей, дополненных поиском, формулируя задачу маршрутизации поиска на уровне экземпляра, которая определяет, требуется ли внешнее доказательство для повышения успешности задачи. Они получают надзор, сравнивая результаты без поиска и с принудительным поиском, чтобы построить оракул, который служит как критерием оценки, так и сигналом обучения для тренировки политик через супервизированное тонкое настраивание и оптимизацию предпочтений.

  • Макро-F1 маршрутизации поиска на примерах, подходящих для оракула, улучшился с 0.7082 до 0.8235 для Gemma E2B.
  • Тот же метрика увеличилась с 0.7053 до 0.8365 для Qwen3.5-4B.
  • Наученные политики снижают специфичные для модели ошибки маршрутизации, при этом Gemma в основном учится воздерживаться от поиска, а Qwen снижает пропущенные поиски.
  • Оставшиеся НЕРЕШЁННЫЕ случаи выявляют гетерогенные узкие места, связанные с ёмкостью модели, бюджетом извлечения, использованием доказательств и поведением политики.

Этот подход позволяет моделям лучше определять, когда поиск полезен, а когда коррекция, уточнение или воздержание были бы более уместными.