视频异常理解长期沿用固定观测：模型先拿到一批抽样帧或聚类事件，再据此判断异常，推理开始后无法回头补找缺失证据。SEEK-VAU把这一过程改成有预算上限的智能体搜索与验证，让策略沿前兆、触发、后果三段事件链主动取证，并在收尾前自检证据是否充分。在自建的SEEK-Bench上，它以Qwen3-VL-8B为基座取得55.6时间mIoU、45.5问答准确率和43.7证据F1，而固定观测的Qwen3-VL基线分别为44.2、37.7和28.1。
语言模型智能体的检索效果取决于它拿到的搜索界面，而现有界面多由人预先设定、对所有语料一视同仁。SearchWeaver把语料预处理产物、可执行工具和使用说明放在一起，用智能体的执行轨迹与任务奖励反复改写，再按下游搜索表现挑选。在GPT-5.4-nano上，优化后的界面把BrowseComp-Plus答案准确率从71.6%提到78.4%，把四个BRIGHT子集的平均nDCG@10从45.7提到55.0，同时缩短了工具执行时间。
专利审查要求智能体在稀疏的现有技术中反复检索、核对证据并写出新颖性判断，而既有基准多停留在静态候选集上。PatEx-Gym把这一流程做成可运行的环境：PatEx-Bench提供1K个审查任务、超过100万件专利与5.2万篇科学论文的检索语料，以及支持迭代检索与审查意见生成的运行时。PASS利用文档访问记录作为隐式相关性信号合成搜索轨迹，据此微调的4B模型PatEx-Agent在实验中与规模大得多的通用智能体相比取得有竞争力的表现。
面向多跳信息检索的搜索智能体，训练信号从只看最终答案正确与否，改为对每一步搜索动作打分。RAG-Gym把搜索建模为马尔可夫决策过程，并比较架构、参数优化与动作评估三个维度，选出推理反思架构、偏好优化与评论家引导推理的组合，构成Re2Search++。在HotpotQA上训练后，它在未见过的Bamboogle上优于结果监督基线，检索召回更高且搜索步数相当或更少；在Llama-3.1-8B上训练的评论家还能提升GPT-4o-mini的MedQA准确率。
Project Greenhouse 提出把大模型训练建模为有向属性超图，并据此定义“完全开放且自主可控”的模型；作为首个里程碑，作者仅用公开数据集，先在 ClimbMix 上从零预训练一个 3.29B 参数的因果语言模型，再用 RLHN-250K 与局部对比估计（LCE）做监督微调，得到逐点重排器 Gaggle（base reranker）。该模型在 TREC DL 2019–2023 与七个 BEIR 集合上的平均 nDCG@10 超过所有对比的微调逐点与列表式重排器，TREC DL 上仅 GPT-6.1 Sol 更高。
该研究构建了带中间证据标注的语料接地问答数据，比较三种检索信号（证据覆盖Cov、带依赖覆盖Cov-Dep、答案匹配AM）在标量奖励加成与动作对齐局部信用两种分配方式下的效果，用Qwen3-4B在七个问答基准上训练，发现局部信用优于标量，Cov-local平均F1达54.34，高于仅用结果奖励的51.25。
作者提出围绕本地语义检索工具colgrep的两阶段训练框架（按检索结果加权的监督微调加基于定位质量的强化学习），训练三个1–1.7B参数模型完成代码文件定位；在SWE-bench Lite与Multi-SWE-bench Flash上，colgrep智能体在各训练阶段均优于对应的grep智能体，Qwen3-1.7B经加权SFT加RL后文件F1达67.29与54.00，并减少29.1%的token、在CPU上降低44.1%端到端延迟，同时对微调未见过的七种语言迁移更好。
该工作提出 LexiHorizon 长程深度搜索训练框架：把轨迹上下文预算扩到 128K、用只保留最近工具观测而完整保留推理历史的上下文窗口管理累积检索内容、并加入仅在答案奖励非零时生效的有界搜索努力奖励，以 GSPO 在线训练 Qwen3.5-9B；所得 LexiHorizon-9B 在 XBench、WebWalkerQA、BrowseComp-ZH 上均优于基座模型与 MiroThinker-1.7-mini，相对二者最大绝对提升分别为 8.7 与 23.8 个百分点，消融显示 64K 预算使有效答案率从 99.88% 降至 66.97%，去掉窗口则三项基准一致下降。
该工作把多模态深度研究智能体的在线强化学习训练扩展到 128k 上下文与 75 轮以上工具交互，并提出由同策略蒸馏预热、渐进式视野扩展和熵触发回滚救援三部分组成的 Long-MDR 训练配方，以缓解长视野训练早期奖励上升缓慢与后期熵坍缩的问题；在 50 轮工具交互评测预算下，训练得到的 Long-MDR-9B 在六个基准中的五个上位列所比较的 7B–9B 智能体之首。
研究者构建了ScholarCatalyst基准：让184位作者为207篇近期计算机科学论文标注894个早期研究问题及其“催化论文”（曾启发或可能启发该项目的先前工作），在仅含项目开始前文献的191K篇语料上评测检索系统，结果最强系统Recall@20仅0.48，智能体搜索（0.42）不优于嵌入检索，即使训练数据可能已见过这些论文的Claude Fable 5.1也只达到0.51。