LexiHorizon 用 128K 上下文预算与保留推理的观测窗口训练 9B 搜索智能体，在 XBench、WebWalkerQA、BrowseComp-ZH 上超过基座与 MiroThinker-1.7-mini

把长程搜索强化学习刻画为训练稳定性问题，来源是上下文过早耗尽、累积检索内容干扰以及持续探索激励不足。 以往深度搜索工作多假设检索系统相对稳定、交互时程较短，或聚焦问题分解、训练数据与轨迹构建；该工作把长交互时程下的稳定性本身作为训练对象。 以问题形式化与三项基准上的受控消融支撑：64K 预算下有效答案率降至 66.97%，奖励与 actor 熵同时趋近于零。

提出保留推理的上下文窗口：完整保留推理与工具动作历史，仅对最近若干次工具观测保留全文，更早观测替换为标记。 不同于对轨迹做摘要或压缩，该设计只丢弃原始工具输出，而把已写入推理历史的信息继续留给策略使用。 评测轨迹中窗口激活比例超过 80%，整体活跃上下文减少 79.1%；在 55 条被移除观测含有效答案证据的轨迹中，推理历史保留其中 44 条，保留率 80%，11 次失败全部出现在工具调用超过 40 次的轨迹。

提出结果门控的搜索努力奖励：工具调用奖励有界并在达到一定调用数后饱和，且被答案奖励乘性门控，只有答案奖励非零的轨迹才能获得。 与无条件奖励工具使用或引入更密集过程奖励的做法不同，该设计把探索激励绑定在答案质量上，避免零答案奖励轨迹靠增加调用获益。 奖励由 LLM 评判的序数正确性分数、门控有界工具奖励以及格式与重复惩罚组成，策略以 GSPO 在实时工具交互的在线 rollout 上优化。

所得 LexiHorizon-9B 在三项基准上排名第一或第二，并同时改善可靠性与效率。 相对 MiroThinker-1.7-mini 在 XBench、WebWalkerQA、BrowseComp-ZH 上分别提升 23.8、4.6、6.5 个百分点；在 XBench 与 BrowseComp-ZH 上超过更大的 Qwen3.5-27B。 工具调用失败率由 12.80% 降至 2.00%，有效答案率由 87.60% 升至 99.88%，策略生成 token 均值由 9,947 降至 6,124，端到端吞吐达 1,069 token/s。

该框架面向检索对查询措辞敏感、需要反复改写查询的长程深度搜索场景，适用于以 ReAct 式推理与工具调用交替、并可用结果奖励优化的搜索智能体训练。它使 9B 策略在扩展上下文预算下维持更久的查询探索，同时把活跃上下文控制在较小规模：窗口激活时整体活跃上下文减少 79.1%，训练后策略平均工具调用由 29.5 增至 54.9，而活跃上下文长度 95 分位由 120,818.9 降至 28,324.5 token。对需要在有限显存与生成预算下训练长程搜索智能体的团队，该组合提供了可复用的上下文与奖励设计；轨迹重置作为辅助机制，在 BrowseComp-ZH 上提升 1.9 个百分点、WebWalkerQA 不变、XBench 下降 2.3 个百分点，更适合作为困难样本的恢复手段。

仍可关注的是：证据保留率在工具调用超过 40 次的最长轨迹中降至 65.62%，说明窗口在极长轨迹上的信息保全仍有空间；答案正确性由 LLM 评判的序数分数决定，评判一致性会影响奖励信号；轨迹重置的收益呈任务依赖，其触发阈值与重置次数上限的敏感性未在正文展开；此外，正文以图表编号引用训练动态与长度分布，具体曲线数值需查阅原图。