通义实验室 投稿

量子位 | 公众号 QbitAI

为提升大模型“推理+搜索”能力，阿里通义实验室出手了。

最新研究开源全新通用预训练框架——MaskSearch，在域内及跨域开放域问答任务上均较基线方法取得显著性能提升。

小模型甚至能媲美大模型表现。

在推理+搜索方向，通义实验室搜索团队已提出ZeroSearch、OmniSearch等工作，通过在特定的下游任务进行强化学习训练，让大模型在与环境交互的过程中学习使用搜索引擎。

该团队认为，仅在特定任务上训练会导致模型的泛化能力受限，难以适应更多场景下的检索推理任务。

受BERT模型在预训练过程中使用的掩码（Mask）预测任务启发，MaskSearch引入了检索增强型掩码预测任务。

也就是让模型使用搜索工具，预测文本中被遮蔽的部分，在预训练过程中有效学习通用的任务分解、推理等智能体策略，同时熟练掌握搜索引擎的使用方法，为其后续适配多领域任务奠定基础。

不仅如此，MaskSearch可以兼容监督微调（SFT）和强化学习（RL）两种训练方法。

通过加入预训练的二阶段训练，MaskSearch相比只在下游任务进行训练的基线方法，在多个开放域问答数据集上有明显效果提升。

MaskSearch长啥样？

接下来，一起来深入探究MaskSearch的核心架构与运作机制。

任务定义

检索增强型掩码预测（RAMP）作为 MaskSearch 的预训练任务，其核心要义在于：

在输入的文本序列中，对关键信息进行掩码处理，模型需主动借助外部知识库 ，调用搜索工具来预测这些被掩盖的文本片段。

为了提升被掩码部分的难度，除了在过去掩码预测任务中常被遮蔽的命名实体（如人名、地名、组织名等）、日期和数字，MaskSearch还考虑了以下几类关键信息：

• 本体知识：文本中涉及的分类体系或知识体系中的关键概念；

• 特定术语：针对特定领域或主题的专业术语；

• 数值：文本中涉及的具体数值，如统计数据、测量值等。

这不仅增加了任务的难度，还促使模型在检索和推理过程中更加精细化地处理信息，从而提升其在多领域任务中的适应能力和泛化能力。

训练方法

监督微调

为了生成用于监督微调（Supervised Finetuning, SFT）的思维链（CoT）数据，作者提出一种结合Agent合成与蒸馏（Distillation）的数据生成方法，具体包括：

• Agent合成: 首先，搭建多智能体系统，纳入规划、搜索改写、观察分析等角色，协同进行思维链的生成任务。最终由一个LLM负责答案判断，仅保留正确答案的思维链。

• 蒸馏：为了快速扩展数据集并保持高质量，使用已有数据训练后的教师模型，直接生成推理轨迹，并逐步迭代教师模型，从而逐步提升数据质量。

强化学习

强化学习部分，作者采用了动态采样策略优化（DAPO）算法，构建混合奖励（Hybrid Reward）系统——格式奖励检查模型输出是否符合指定格式，回答奖励则评估生成答案与标准答案的一致性。

作者探索了多种回答奖励函数，最终选择基于模型的奖励函数，使用Qwen2.5-72B-Instruct模型作为评判，为生成答案和标准答案的一致性进行打分。

课程学习

为了帮助从易到难依次学习，作者提出依据掩码数量对训练样本进行难度分级，让模型首先通过简单样本学习基础推理技能，然后逐步提升能力以应对更具挑战性的场景。

实验结果如何？主要结果

作者通过基于不同大小的Qwen和LLaMA模型的实验证明，两阶段MaskSearch训练框架显著提升了大模型的搜索和推理能力。

遵循以RAMP作为预训练任务，HotpotQA数据集作为下游任务的训练流程，MaskSearch在领域内（in-domain）数据集上稳定提升模型召回率；在Bamboogle等领域外数据集上，性能提升更为显著，小模型甚至能媲美大模型表现，验证了RAMP作为可扩展学习信号的有效性。

实验进一步验证了监督学习（SFT）与强化学习（RL）两种训练方式与MaskSearch框架的兼容性。

其中，RL在RAMP任务上展现出更高性能上限，尤其在HotpotQA等领域内任务中，在所有大小的Qwen模型都取得了最优效果。

这表明RL通过动态采样策略和混合奖励机制，能更精准优化模型的多步搜索与推理流程，为提升检索增强模型的适应性提供了更强的训练范式。

Scaling性能

在监督学习的场景下，作者通过不同训练步数实验验证 MASKSEARCH 的可扩展性：

小模型（如1B）经预训练后性能提升显著，而大模型（如 7B）受限于自进化数据的多样性，性能增益相对平缓，但召回率分数仍相对仅微调模型有所增长。

这证明 RAMP 对不同规模模型均有持续提升的潜力，也表明数据质量和多样性是决定 SFT 方法模型性能上限的关键因素。

监督课程学习效果

此外，实验验证了基于掩码数量设计的课程学习训练策略。

具体方法是训练时按掩码数量分层采样数据，每个数量对应10K训练样本，配合6K HotpotQA数据维持任务平衡。当掩码数量从1逐步增至4时，Qwen2.5-7B模型在验证集上的得分明显增加，且显著高于将不同数量掩码的数据混合训练时的表现。

此外，在下游任务上课程学习也有进一步提升模型训练后表现的效果，验证了难度梯度设计对推理能力构建的促进作用。

更多分析

1、掩码策略影响

掩码策略是影响RAMP预训练任务难度的另一重要因素。

作者对比了随机掩码与基于困惑度（PPL）的难度导向掩码策略，也就是通过计算模型恢复掩码时的损失值（即困惑度），优先选择恢复难度高的部分进行遮蔽。

实验显示，PPL策略在FanoutQA数据集上提升模型召回率，但在其它数据集中也会因过度追求难度导致性能下降，表明任务难度仍需要与模型当前搜索和推理能力相匹配。

因此，结合课程学习的训练策略平衡难度，能够在整体上获得更优效果。

2、RL奖励函数影响

在强化学习训练过程中，不同奖励函数对模型性能影响各异。

以Qwen2.5-7b模型为例，基于token级召回率的奖励函数促使模型为提升召回率，向答案中堆砌大量无关信息，致使回答长度大幅增加，相较于其它RL奖励函数实际性能显著下滑。

尽管引入惩罚项以抑制回答长度，能在一定程度上减少信息冗余，但模型仍可在有限长度内通过枚举方式钻规则漏洞。

相较而言，基于模型的奖励函数表现出最佳性能，在模型生成的回答长度、token级召回率以及经Qwen72b模型评判的分数上，均优于其它两种奖励方法，有效规避奖励欺骗问题，且RL训练全程表现出卓越的稳定性和高效性。

总之，MaskSearch致力于提升大型语言模型（LLM）的智能体推理+搜索能力。该框架依托检索增强型掩码预测（RAMP）预训练任务，赋能模型自主执行多步搜索与推理，填补文本中的掩码空白，实现外部知识的深度整合。经监督微调（SFT）与强化学习（RL）双重训练路径锤炼，并引入课程学习策略，MaskSearch在域内及跨域开放域问答任务上均较基线方法取得显著性能提升。

Paper: https://arxiv.org/abs/2505.20285

GitHub: https://github.com/Alibaba-NLP/MaskSearch