PulseAugur
中
实时 08:13:25
English(EN) CuSearch: Curriculum Rollout Sampling via Search Depth for Agentic RAG

CuSearch框架通过课程采样增强了基于代理的检索增强生成（RAG）训练

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CuSearch，一个使用带可验证奖励的强化学习（RLVR）来训练基于代理的检索增强生成（RAG）系统的新框架。该方法通过优先考虑提供更具信息量监督的更深搜索轨迹来解决轨迹均匀采样的问题。CuSearch利用搜索深度贪婪分配（SDGA）将更新预算动态地分配给这些更深的轨迹，从而提高了性能。实验表明，在ZeroSearch基准测试上，相比标准的GRPO，精确匹配点数提高了11.8点。 AI

影响 这项研究可能导致更有效的基于代理的检索增强生成（RAG）系统训练，提高它们检索和利用信息的能力。

排序理由 该集群包含一篇详细介绍AI系统训练新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

CuSearch框架通过课程采样增强了基于代理的检索增强生成（RAG）训练

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jianghan Shen, Siqi Luo, Xinyu Cheng, Jing Xiong, Yue Li, Jiyao Liu, Jiashi Lin, Yirong Chen, Junjun He ·

    CuSearch：通过搜索深度进行基于智能体检索增强生成（RAG）的课程推出采样

    arXiv:2605.11611v3 Announce Type: replace Abstract: Reinforcement Learning with Verifiable Rewards (RLVR) has emerged as a promising paradigm for training agentic retrieval-augmented generation (RAG) systems from outcome-only supervision. Most existing methods optimize policies f…

相关实体

相关话题