开放智能体检索器能否胜任高难度多步搜索？

T-Search 返回排序证据而非答案

T-Search 是为高难度多步搜索设计的开放权重智能体检索器。给定一个问题和一个作用于固定语料的搜索工具，它会执行有界多轮搜索，返回一个带简短理由的证据片段排序列表。它从不撰写最终答案，这一步交给用户选择的下游模型完成。

这种分工是该设计的核心主张。由于检索器只能通过搜索工具触达文档，后端无需重新训练即可替换；又因为它返回的是片段标识符，其质量可以直接按对金标证据的召回率评分，而不必经过答案评判模型。因此一个检索器可以服务多个生成器，检索质量也不再与生成质量混为一谈。

Recall@10 衡量十项上限下的来源选择

核心指标是最终排序列表上的 Recall@10。对每个问题，返回列表最多包含十项；每个标识符被映射到该基准的计分单元，召回率等于与参考证据集交集的大小除以该参考集的大小。十项上限在映射和去重之前施加，因此计分集合可能少于十个文档。

计分单元因基准而异，这一点对解读数字很重要。BrowseComp-Plus 在两种语言下都按文档层级计分，同一参考文档的多个片段只计一次。TRuST 在去重前把 docid_chunkid 标识符映射回其父文档。SealQA 改编版和 SynthComp 保留证据片段标识符。对 SynthComp 而言，分母包含全部证据片段，而不只是含答案的金标子集，因为其余支撑片段确立了识别答案所需的约束和关联。

另有一个轨迹召回指标，使用全部唯一的搜索后端结果，不设十项截断。它衡量累计搜索覆盖度，而最终集 Recall@10 还额外衡量十项限制下的来源选择。两者不应被当作同一个量来读。

SFT 与 RL 各带来约七分提升

T-Search 基于 Qwen3.6-35B-A3B 构建，这是一个总参数 35B、激活参数约 3B 的混合专家模型。训练使用经对抗性过滤的合成搜索任务、按轮切片的监督微调，随后在召回奖励上使用 GSPO。

阶段对比呈现出一致的阶梯。在七个基准上取平均，基座模型得分为 41.5 Recall@10，SFT 模型为 49.0，经过 SFT 加 RL 的发布模型为 56.0。即 SFT 带来 7.5 分提升，RL 再带来 7.0 分。每个单独基准都遵循同样的排序：SFT 模型优于基座，发布模型优于 SFT 模型。

有两点限定这一对比。每个训练后的模型都已包含其英文和俄文分支的合并，因此该表并未把训练效果与合并效果分开。奖励是每条轨迹一个标量，即最终排序中参考支撑集的召回率，由片段标识符计算得出，不使用评判模型。没有单独的保存证据奖励，也没有按轮塑形。作者报告说，选择召回而非基于精确率的目​​标，是因为在初步实验中基于精确率的目标会导致证据不完整时过早定稿。

有界轮次让工作窗口保持简短

该框架运行一个 ReAct 风格的循环，轮次简短且有界，只向前携带被显式保存的证据，因此工具输出不会累积并损害模型的判断。默认每轮预算为 32,768 个 token，默认轮次上限为五轮。

若干护栏定义了该循环。当上下文利用率达到 75% 时，进一步搜索调用被锁定，只留下继续或定稿。保存并推进的转换要求至少五次搜索和至少一个带解释的已保存片段，不过更早解决的任务可以在未完成五次查询的情况下定稿。在最后一个允许的轮次中保存被禁用。框架会拒绝仅大小写或空白不同的重复查询，过滤当前轮已见过的结果，并过滤上下文中已携带的片段。无效工具调用会收到错误反馈，在 SFT 期间这类无效动作会从损失中屏蔽，同时保留其后续内容。

作者把该框架视为模型的一部分，而非中立的脚手架。轮次、三工具契约和护栏正是策略学会在其中运作的东西，因此换一个循环质量可能发生变化。他们的建议是运行发布的框架，并在依赖所报告数字之前在自己的索引上验证。

三次融合 rollout 带来 5.3 分提升

单次 rollout 时，T-Search 在七个基准上平均 Recall@10 为 56.0。用倒数排名融合将三次 rollout 合并后，平均值升至 61.3，提升 5.3 分。在融合情形下，三个排序列表各最多包含十项，融合后的排序被截断为十项，之后才施加基准特定的映射和去重。

这是一种情景拆分，而非免费的改进：更高的数字来自每个问题花费三次 rollout 而不是一次。论文同时报告了两个数字，其中单次 rollout 的数字与针对基座和 SFT 模型的阶段对比相匹配。

后端选择可使得分变化多达 11 分

由于智能体只能通过搜索工具触达文档，可以在保持 T-Search 智能体不变的情况下替换后端。在单次 rollout 的这种替换下，Qwen3-Embedding-8B 搭配 Qwen3.6-27B 作为 LLM 重排器给出最高的宏平均 62.87。不加重排的 Qwen3-Embedding-8B 平均为 55.96，Jina v5 text-small 为 54.32，BM25 为 51.14，Qwen3-Embedding-0.6B 为 49.38。

这一差距在各基准间并不均匀。BM25 在 SynthComp 和 TRuST 上是所测后端中最强的，但其 BrowseComp-Plus 得分较低。作者指出，这些对比衡量的是对后端选择的敏感性，并未分离多检索器 SFT 子集的贡献。

实际解读是，所报告的 56.0 平均值绑定于特定的检索环境。更换嵌入模型或加入重排都会改变该数字，而最佳后端取决于对特定部署而言哪个基准更重要。

对比统一了检索但未统一预算

主对比将 T-Search 与改编后的已发布搜索智能体框架放在相同的固定索引上，使用不加重排、不访问公共网络的 Qwen3-Embedding-8B，每个搜索结果片段上限为 512 个 token。作者称 T-Search 在七个固定索引基准上平均优于更大的开放模型。

对比范围有明确边界。各智能体在交互预算、上下文管理、辅助模型使用以及其报告指标所包含的来源数量上各不相同。阿里系适配器源自已发布的 DeepResearch 代码，Harness-1 和 Search-R1 使用各自发布的修订版本，这些实验是在本检索环境中评估那些智能体，而非复现其原始基准设置。T-Search 本身不使用辅助语言模型，而四个阿里系智能体共享一个 Qwen2.5-72B-Instruct 访问摘要器。

还有两点限制约束着该主张。T-Search 不能作为独立的问答系统部署或评估，因为它返回证据并把生成留给下游；在通用基准上，作者未观察到与基座模型的明显差异。该模型也仅在英文和俄文上训练和评估，其他语言的行为未经测试。

替换后端，保留你的生成器

论文对实际收益的表述狭窄而具体：由于智能体只能通过工具触达文档，从业者可以替换后端、把框架指向自己的索引，并保留他们已在运行的生成器。发布的产物包括带 FP8 和 NVFP4 量化的模型、框架、在线演示，以及三个基准，其中包括被称为首个原生俄语高难度搜索基准的 TRuST。

这些证据支持的决策关乎把精力花在哪里。如果瓶颈是在固定语料中找到正确的证据片段，那么所报告的单次 rollout 平均 56.0 和三次 rollout 平均 61.3 定义了该检索器在五轮上限下所能达到的水平，而后端替换表显示该数字随嵌入模型变化多少。如果瓶颈是答案质量，本文并未涉及，因为生成被有意排除在范围之外。

因此对读者最有用的对比不是 T-Search 与某个单一基线，而是论文自身报告的两组拆分：单次 rollout 对三次融合 rollout，以及检索后端的选择。两者都会改变核心数字，且两者都是从业者所做的决策，而非模型的固有属性。

本文引用的文献