跳转至

Contextual Information Policy Optimization for Search Agents

复现级别：核心机制 mini-suite。 本地实现执行论文特有的 搜索 Agent RL 算子；不把确定性小型评测写成论文完整复现。

论文信息

字段 内容
论文链接 arXiv 2608.06128
公司/机构/学校 Beihang University
首次公开日期 2026-08-06（arXiv v1）
原文开源代码 否：未发现原作者公开代码（核查日期：2026-08-09）
Adapter cipo
本地复现代码 src/auto_research/agent_research/latest_20260809.py

原始论文总结

背景与主要改动

主题：搜索 Agent RL。 只奖励最终答案会让检索退化成确认偏见。CIPO 识别受外部证据影响的后续动作，给予 dense turn credit，并与全局 outcome reward 联合优化。

主要架构

flowchart LR
    N0["搜索请求"] --> N1
    N1["外部证据"] --> N2
    N2["evidence influence"] --> N3
    N3["turn-level credit"] --> N4
    N4["global outcome"]

原论文关键图

Contextual Information Policy Optimization for Search Agents 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(A_t=\lambda A_t^{evidence}+(1-\lambda)A^{outcome}\)

论文离线效果

7 个域内/域外基准上减少 prior-driven reasoning，并在多数任务取得最佳或有竞争力结果。

本地复现

稳定指标保存在本论文目录的 metrics/planbench-mini-seed42.json，不提交 checkpoint 或原始运行目录。

auto-research agent-research --method cipo --benchmark planbench-mini --episodes 120 --seed 42

本地对照口径：cipo 与同一公开 mini-suite 的无该机制控制组比较；仅报告本地产物中的指标，不把原文大模型/真实环境结果移植为本地提升。

复现边界

  • 复现论文特有的状态、信用或选择算子，而非只改方法名。
  • 未运行原文大模型、专有环境或昂贵 judge；这些缺口不会标注为“已接入”。
  • cipo 已加入统一 evolve 候选发现；组合 genome 仍受公共评测与预算约束。