知识卡片：ABSeeker——通过答案回溯的信用分配训练长程搜索智能体

一句话结论

ABSeeker 提出 Answer-Backtracked Credit Assignment（ABC）框架，利用从最终答案回溯出的中间线索，将稀疏的轨迹级结果转换为稠密的步骤级奖励，从而训练长程搜索智能体；在 4B 参数规模下，其 BrowseComp 得分可从 37.3% 提升至 55.3%（配合上下文管理），接近约 30B 参数的大模型表现。

事件概述或研究问题

长程搜索智能体需要依次执行搜索、检索、验证、整合证据等多个步骤才能得到最终答案。现有方法在监督微调（SFT）和强化学习（RL）中通常把一条轨迹内的所有步骤一视同仁地对待，难以区分有用动作与错误或冗余动作。本文提出一种细粒度信用分配方法，把稀疏的“整条轨迹对错”转化为稠密的“每一步是否有用”的监督信号。

方法/产品要点

• 核心框架：ABC（Answer-Backtracked Credit Assignment）——答案回溯信用分配。
• 第一步：Answer-Backtracked Clue Recovery。给定一条可能比较隐晦的查询及其标准答案，从答案出发回溯，恢复解答该问题所需的一系列中间线索。
• 第二步：Clue-Anchored Step Scoring。用恢复出的线索对每个搜索步骤进行评分，从而把稀疏的二元结果监督转化为稠密的步骤级奖励。
• 训练策略：
  • ABC-SFT：用步骤级分数对每一步的损失进行重加权。
  • ABC-GRPO：把步骤级分数作为 GRPO 强化学习的奖励。
• 产品/模型：基于 Qwen3.5-4B，仅用 8.5k 条示例训练得到 ABSeeker。

主要结果或产业意义

• ABSeeker 在 BrowseComp 上达到 37.3%，在 BrowseComp-ZH 上达到 39.1%。
• 加入上下文管理后，两个成绩分别提升到 55.3% 和 52.9%。
• 结果显著超过同规模（4B）智能体，并接近约 30B 参数的更大模型。
• 意义：说明“答案回溯 + 步骤级信用分配”能有效利用少量数据和小模型训练出强搜索智能体，对低成本部署有参考价值。

与既有脉络的关系

与已有卡片中的 TRACE、CompactionRL 一样，ABC 关注长程智能体的训练信号问题。本条卡片的增量信息在于：ABC 不是做回合级奖励分配，也不是做上下文压缩，而是通过“从答案回溯线索”把稀疏轨迹结果改造成稠密步骤级奖励，并同时适配 SFT 的损失重加权和 GRPO 的奖励信号；其效果在 4B 规模上逼近约 30B 模型，展示了步骤级信用分配的潜力。

为什么重要

长程搜索智能体的训练难点在于：一条轨迹即使最终失败，其中也可能包含正确步骤；反之最终成功也可能包含冗余或错误动作。ABC 提供了一种“只看查询和标准答案”即可生成步骤级奖励的思路，无需人工过程标注，就能奖励失败轨迹中的有效步骤、抑制错误或冗余动作。这对提升小模型搜索能力、降低对大规模奖励模型或人工标注的依赖有重要意义。

局限与不确定性

• 摘要未披露完整的实现细节，如线索恢复的具体算法、步骤评分如何与上下文管理结合等，需阅读全文确认。
• 文中提到的“约 30B 模型”具体型号、对比基线和实验设置待核实。
• 是否依赖特定领域或英文数据，中文场景的泛化程度待核实。
• 计算开销、训练稳定性、失败案例分析等未在摘要中说明，待核实。

可用于图书/PPT/简报的角度

• 案例切入：以 ABSeeker 为例，说明“用答案倒推步骤”如何为搜索智能体提供过程奖励。
• 对比视角：从“整条轨迹对错”到“每一步有用与否”，讲解长程智能体信用分配的演变。
• 效率故事：4B 模型 + 8.5k 示例 + 答案回溯，就能接近约 30B 模型的表现，适合用来讨论小模型训练策略。

原始材料

• 英文标题：ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment
• 英文关键词（据摘要提取）：Long-Horizon Search Agents; Answer-Backtracked Credit Assignment; ABSeeker; Dense Step-Level Rewards
• arXiv ID：2608.05102v1
• 来源 URL：https://arxiv.org/abs/2608.05102v1
• 作者：Yijun Lu, Rui Ye, Jiajun Wang, Yuwen Du, Tian Jin, Songhua Liu, Siheng Chen
• 发布时间：2026-08-05