EG-GRPO：基于证据引导的步级信用分配框架用于深度搜索智能体

EG-GRPO框架利用合成深度搜索数据中的证据标注，为LLM搜索智能体提供步级过程奖励。 该框架通过识别证据声明的第一个支持引用，构建步级过程奖励，并结合轨迹级结果优势进行状态条件相对优势估计。 在五个深度搜索基准测试中，EG-GRPO普遍优于标准GRPO及现有奖励增强和步级RL基线方法。