搜索
让大模型回答一道数学题，通常还能拿标准答案判断对错。可如果问题换成「梳理一个领域的研究进展」「比较几种技术路线」或者「给出有依据的专业建议」，怎样才算答得好？答案没有唯一版本，遗漏关键事实、混淆概念、论证不充分，都可能藏在一段看起来很流畅的文字里。
AI 生图和改图已经很强了，却依然救不了双 11 期间疯狂加班的设计师。
不到十天，数学界经历了一场终极过山车！
你可能不信，Claude Code 现在差不多 90% 的代码，是 Claude 自己敲的。
世界模型赛道仍在源源不断涌入最智慧的大脑。
设定一些不合理的目标，然后告诉模型：这非常合理！
看着机器人抓偏了杯子、迟迟对不准面包机的插口，人们可能会忍不住提醒：“往左一点，再往前一点。”这些对人类来说再简单不过的调整，对机器人却未必容易。
Coding Agent正在进入新的发展阶段。过去，它们主要修复Bug、解决GitHub Issue或实现相对独立的功能，SWE-bench等Benchmark已为此建立了成熟评测范式；如今它们开始承担从完整代码仓库生成、跨语言迁移，到需要持续探索与验证的长周期软件工程项目，任务规模和执行时间不断增长，单个Agent的上下文容量、推理能力和执行效率逐渐成为限制。
一句话概括：多答案问答要求智能体找全整个答案集合，而不是只搜到一个就停止。现有 RL 方法在此场景下存在两处错位：优势计算停留在轨迹级，信用分配粗糙；F1 奖励对头部与长尾实体一视同仁，智能体缺乏探索长尾的动力。
设想一个日常场景： 家庭机器人刚刚在茶几上看见一本书，去厨房完成几项任务后，接到取书的指令，却又开始挨个房间搜索。它已经试过一个打不开的抽屉，过了一会儿，还是回到同一个抽屉前反复尝试。