腾讯混元 x MBZUAI 港中文新研究：将纠错纳入策略空间，Search-R2 重构搜索增强推理学习方式

过去几年，大语言模型的能力提升主要依赖参数和数据规模的扩张。但当模型逐步被用于研究助理、网页搜索和复杂决策支持等真实任务时，这条路径开始显露边界。 这类场景往往要求模型在开放环境中进行多轮搜索与推理，使搜索增强推理成为主流范式，同时也暴露出一个核心问题：模型在长链搜索推理中的失败，往往不是因为推理能力不足，而是无法有效处理错误在推理过程中的出现与传播。 在现实任务中，搜索结果不可避免地包含噪声，一旦早期某次检索或信息采信出现偏差，后续推理就可能在错误语义空间中不断自洽，最终生成看似合理却偏离问题的答案。然而，现有训练方法通常只依据最终答案是否正确进行优化，使“偶然成功”的轨迹与“搜索路径可靠”的轨迹获得相同反馈，长期来看反而削弱了模型对中途错误和搜索质量的约束。这也是多轮搜索、多跳推理任务中性能崩溃呈现系统性特征的重要原因。 在这一背景下，MBZUAI 、港中文和腾讯混元组成的联合团队提出了《Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration》。 这项工作直指搜索增强推理中的长链推理信用分配与中途纠错缺失，通过将推理生成、轨迹判断和错误定位纳入统一的强化学习框架，使训练信号能够回传至错误首次发生的位置，从而抑制错误传播。 在智能体系统逐渐从“展示能力”走向“承担任务”的当下，这项研究的意义不在于提出一种更复杂的工程技巧，而在于为搜索型智能体提供了一种更接近真实失败模式的学习范式：不是假设推理过程天然可靠，而是承认错误不可避免，并让模型在训练中学会与错误共处、定位并修正它们。 论文地址：https://arxiv.org/pdf/2602.03647 完整闭环，而不是单一技巧 在实验结果方面，研究团队发现该方法的优势并不仅体现在整体平均性能的提升上，而是在任务难度最高、错误最容易累