arXiv cs.CL· Rui Qi, Yunlong Liang, Yufeng Chen, Jinan Xu, Fandong Meng, Kaiyu Huang·· 10 小时前AI 评分31
MARS：训练无需检索器的多语言搜索智能体
MARS: Training Multilingual Search Agents for Retriever-Free Evidence Acquisition
AI 导读
MARS 是一个通过强化学习训练的多语言搜索智能体，采用直接语料交互（DCI）范式，让模型用可执行 shell 命令直接操作原始语料，无需学习型检索器。它引入语料原生实体锚定来恢复可靠的词汇锚点，并用冗余感知搜索奖励鼓励简洁有效的搜索轨迹。实验显示 MARS 持续优于强检索基线和 DCI 基线，具备稳健的跨语言泛化能力并大幅减少冗余语料交互。
正文 · AI 翻译
摘要：现有的多语言检索增强生成严重依赖学习到的检索器和基于多语言集合的相似度排序，这些方法容易受到跨语言检索错误和索引开销的影响。本文探索无检索器的多语言搜索，即模型通过可执行的 shell 命令直接与原始语料交互。这一范式将瓶颈转移到多语言搜索动作生成上，其中精确搜索对实体表面形式敏感，而仅基于结果的监督对多轮搜索提供的指导有限。为应对这些挑战，我们提出 MARS，一种在直接语料交互（DCI）中结合强化学习（RL）的多语言搜索智能体。MARS 引入语料原生的实体锚定，从语料证据中恢复可靠的词汇锚点，缓解检索证据失败的问题。同时，我们提出一种冗余感知的搜索奖励，以鼓励简洁有效的搜索轨迹，解决多语言场景下 RL 训练崩溃的问题。实验表明，\ours~持续优于强检索基线和 DCI 基线，同时展现出稳健的跨语言泛化能力，并大幅减少冗余的语料交互。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.09090 [cs.CL] |
| （或 arXiv:2611.09090v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.09090 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Rui Qi [查看邮箱]
[v1]
2026年11月6日星期五 07:20:03 UTC（1,965 KB）
来源：arXiv cs.CL · arxiv.org