工业搜索的检索、排序流水线可以按时返回结果，却仍可能给出不满足用户意图的页面，而现有监控只看延迟、可用性和报错。WISE把这类结果质量问题拆成两步：先只用用户可见的多模态证据判断页面是否有问题，再调取内部流水线证据，把已确认的问题归因到供给、召回、相关性打分、排序或重排。在1.2万条真实搜索案例构成的WISE-Bench上，Qwen3.5-35B-A3B经轨迹监督微调与AHPO优化后，端到端完全匹配从35.25%升到75.20%。
快手与南京大学提出双向偏好合成（BPS）：对每个通过验证的边界失败，在原始提示下保留常规前向偏好对，并额外合成一个“已达成提示”下的反向偏好对，使同一回答在错误处被拒、在正确处被选；在Qwen3-4B-Instruct-2507上，BPS在保持原始侧成对排序的同时，将留出交叉锚点上的达成侧排序准确率从6.8%提升到62.3%，且不改变DPO目标、不训练奖励模型、不需要在线采样。
该工作用“优势能量”刻画多奖励强化学习中各奖励对策略更新的贡献，证明在理想化GDPO归一化下某奖励的优势能量正比于其活跃组密度（批次中该奖励产生非零相对优势的 rollout 组比例），据此提出按密度反平方根加权的DARA，在工具调用与数学推理任务上比GDPO更快达到目标行为——工具调用格式合规最多少用26%训练步数，数学推理长度合规接近饱和最多少用65%步数，最终性能保持竞争力。
该研究在Qwen2.5（0.5B–14B）数学推理上系统刻画同族在线策略蒸馏（OPD）的缩放性质，发现训练初期存在“有效迁移区”，其中留出准确率随学生初始化的token级反向KL平方根近似线性上升，并拟合出以学生规模、教师规模与教师得分为自变量的幂律，可预测峰值准确率与迁移速率，且每个弱到强配对中学生的峰值都超过其教师本身。
该工作提出 SEEK（Skill-routed Evaluation with Evolvable Knowledge），把具体的搜索评估标准外化到一个技能库中，为每个查询—结果列表对动态路由相关技能，并用任务适配的列表级评估器给出页面级判断与失败模式归因；两阶段训练流程使评估器将评估标准与人类偏好对齐，而带重放门控的技能库允许把反复出现的评估知识缺口纳入其中而无需重新训练模型；在工业短视频搜索上的实验显示，SEEK 提升了列表级质量评估准确率并在归因诊断上取得显著进展，且已在日活跃用户超过 4 亿的快手部署，显著提升了线上搜索评估的规模与质量。
已读完全部报道