CalibAdv：面向搜索智能体的GRPO优势校准方法

针对 GRPO 在多跳搜索中因优势分配粗糙、正负优势失衡导致的训练不稳定问题，研究者提出 CalibAdv 优势校准方法。它利用中间步骤正确性在细粒度上缩减过大的负优势，并重新平衡正负优势。在三个模型和七个 benchmark 上，CalibAdv 同时提升了性能与训练稳定性，代码已开源，论文被 EMNLP 2026 Findings 接收。

摘自 arXiv：cs.AI

还没有足够的连续观测数据，暂不绘制趋势。