F$^{2}$DR：深度搜索工作流程的细粒度全管道奖励框架

随着大型语言模型 (LLM) 的广泛工业部署，深度搜索已成为解决复杂用户查询的主导范例。它通常通过迭代闭环工作流程运行，包括规划和反思、信息检索和答案生成。然而，现有的奖励模型（RM）和评估基准主要是针对静态单轮任务而设计的，无法捕捉深度搜索工作流程的全流程复杂性。为了解决这个限制，我们提出了 F2DR，一个细粒度的全管道 DeepSearch 奖励框架。 F2DR 从三个维度评估 DeepSearch 工作流程：内容、轨迹和答案，从而实现全面的流程级评估。我们进一步构建了DeepSearch RM-Bench，一个用于在DeepSearch场景中评估RM的专用基准。大量实验表明，F2DR 比基于自我评估的基线实现了显着更高的评估一致性，而 DeepSearch RM-Bench 在现有开源 RM 中表现出强大的判别能力。我们将很快公开发布完整的 DeepSearch RM-Bench 数据集。