SlimSearcher：通过自适应奖励门控训练效率感知网络代理

深度研究代理在复杂的信息搜索任务中表现出了非凡的能力，但这种能力的代价是高昂的计算成本。在以准确性为中心的训练范式的驱动下，当前的模型采用了暴力策略，其特点是盲目的工具依赖和执行推理，生成长而冗余的轨迹，而这些轨迹对于解决这些任务来说远远不是必需的，从而导致浪费的工具调用和过度的词元消耗。为了克服这种效率陷阱，我们提出了 SlimSearcher，这是一个原则框架，可以在监督 微调 (SFT) 和强化学习 (RL) 之间推动准确性和计算成本之间的帕累托前沿。在 SFT 阶段，SlimSearcher 采用帕累托有效过滤来提取既成功又经济的轨迹，引导模型走向本质上具有效率意识的搜索行为。在强化学习期间，我们引入了自适应奖励门控，这是一种动态奖励塑造机制，用于评估抽样群体内的相对工具和词元效率。通过将这些自适应效率指标与严格的正确性门级联，我们的方法有效地避免了与绝对惩罚相关的简洁性偏差，并减轻了 奖励作弊 的影响。对长期基准测试（包括 GAIA、BrowseComp 和 XBenchDeepSearch）的大量实验表明，SlimSearcher 将平均工具调用轮次减少了 17%-58%，同时保持或提高了准确性。