SearchJev：面向搜索智能体的校准System-1模型

SearchJev用非生成式打分加速搜索决策并改善校准

资讯摘要

论文提出SearchJev，一种将搜索决策与System-2推理生成分离的校准System-1模型：给定搜索状态与决策模式，它直接为合法选项打分，不做自回归生成。作者提出SLCD软标签学习方法，从不确定监督中学习决策概率并提升置信度可靠性；同时发布统一六类搜索决策的SearchDecision-Bench。作者报告其在基准上决策质量优于同规模Qwen3.5，决策快5.2-5.3倍，平均期望校准误差降低41-74%。

要点速读

1. SearchJev不做自回归输出，直接对合法决策选项打分，并采用SLCD软标签学习校准决策概率。
2. 作者提出SearchDecision-Bench，统一六类搜索决策用于训练与评估。
3. 作者报告在BrowseComp-Plus上双系统智能体主动搜索时间加速3.7-4.7倍，答案准确率从45%提升至最高54%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。