英文题目：《Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning》

中文题目：《Search-R1：利用强化学习训练大型语言模型以进行推理并利用搜索引擎》

论文作者：Bowen Jin, Hansi Zeng, Zhenrui Yue, Jinsung Yoon, Sercan Arik, Dong Wang, Hamed Zamani, Jiawei Han

发布于： COLM 2025

发布时间：2024-08-05

级别：无

论文链接：https://doi.org/10.48550/arXiv.2503.09516

论文代码：https://github.com/PeterGriffinJin/Search-R1

摘要

在大型语言模型（LLM）中，高效获取外部知识和最新信息对于有效的推理和文本生成至关重要。给具备推理能力的先进 LLM 提供提示，使其在推理过程中使用搜索引擎的做法往往并非最佳选择，因为 LLM 可能无法完全掌握如何以最佳方式与搜索引擎进行交互。本文介绍了 Search-R1，这是一种强化学习（RL）的扩展，用于推理框架，其中 LLM 学习在逐步推理过程中自主生成（多个）搜索查询，并进行实时检索。Search-R1 通过多轮搜索交互来优化 LLM 的推理轨迹，利用检索到的标记掩码进行稳定的 RL 训练，并采用简单的基于结果的奖励函数。在七个问答数据集上的实验表明，Search-R1 在相同设置下比各种基于检索的基准方法提高了 41%（Qwen2.5-7B）和 20%（Qwen2.5-3B）的性能。本文还提供了关于 RL 优化方法、LLM 选择和响应长度动态在检索增强推理中的实证见解。代码和模型检查点可在该网址获取：https://github.com/PeterGriffinJin/Search-R1

本文聚焦的问题

将 RL 应用于搜索和推理场景提出了三个关键挑战：

1、RL 框架和稳定性——如何有效地将搜索引擎集成到 LLM 的 RL 方法中，同时确保稳定的优化，尤其是在结合检索到的上下文时，仍然不清楚。

2、多轮交错推理和搜索——理想情况下，LLM 应该能够进行迭代推理和搜索引擎调用，并根据问题的复杂性动态调整检索策略。

3、奖励设计——为搜索和推理任务设计有效的奖励函数仍然是一个根本性的挑战，因为尚不清楚简单的基于结果的奖励是否足以指导 LLM 学习有意义且一致的搜索行为。

本文提出的方法

文章介绍了SEARCH-R1，这是一个新颖的RL框架，使LLM能够以交错的方式与搜索引擎进行交互，并进行自己的推理。

文章使用两种方式（PPO和GRPO）对训练模型进行优化，具体过程图如下：

首先对于PPO：

  1. q → Rollout Module： 输入问题q到Rollout Module，启动 “推理 + 搜索” 的轨迹生成过程，关于Rollout Module内部具体过程下面讲解。
  2. Rollout Module → o： Rollout Module结合Policy LLM的推理和Search Engine的结果，生成完整轨迹o（包含推理步骤、搜索调用、中间信息等）。
  3. o → Value LLM → v： 轨迹o输入Value LLM，Value LLM输出对轨迹o的价值估计v。
  4. o → Reward Model： 轨迹o输入Reward Model，计算该轨迹的基础奖励（如答案的精确匹配度）。
  5. o → Reference LLM： 轨迹o输入Reference LLM（参考模型，冻结不更新），生成参考输出，用于计算Policy LLM与参考模型的 KL 散度（防止策略更新幅度过大）。
  6. Reward Model + Reference LLM → r： Reward Model的基础奖励与Reference LLM相关的KL 正则项结合，得到最终奖励信号r。
  7. v + r → GAE →A： 价值估计v（当前状态价值）和奖励r（即时奖励）输入GAE（广义优势估计）模块，计算优势函数A（衡量 “实际奖励与预期价值的差距”）。
  8. GAE→Value LLM: GAE计算的 “优势 / 误差信号” 反馈给Value LLM，用于更新价值模型。
  9. A → Policy LLM： 利用优势值A更新Policy LLM的参数。

然后是GRPO：

  1. 前面第一，二步同 PPO。
  2. Rollout Module → o₁, o₂, ..., o_G： Rollout Module生成 G条轨迹 （组大小为G），每条轨迹o_i是独立的 “推理 + 搜索” 结果。
  3. o_i → Reward Model： 每条轨迹o_i输入Reward Model，计算对应奖励r_i（如单条轨迹的答案精确匹配度）。
  4. o_i → Reference LLM： 每条轨迹o_i输入Reference LLM，计算Policy LLM与Reference LLM的KL 散度（正则项，防止策略偏离）。
  5. Reward Model → r₁, r₂, ..., r_G： Reward Model为每条轨迹o_i输出单独奖励r_i。
  6. r₁, r₂, ..., r_G → Group Computation → A₁, A₂, ..., A_G： 所有组内轨迹的奖励输入Group Computation模块，Group Computation为每条轨迹o_i计算优势值A_i。
  7. Reference LLM + A₁, A₂, ..., A_G → Policy LLM： A₁, A₂, ..., A_G与Reference LLM相关的KL 正则项结合，更新Policy LLM的参数。

下面是Rollout Module内部的具体过程：

这是用于指导Policy LLM的提示词：

这内部的伪代码：

输入：输入查询 x、策略模型 πθ、搜索引擎 R 和最大行动预算 B

输出：最终的生成响应 y

初始化一个空的y。y 将累积 LLM 生成的所有文本和检索到的所有信息，形成完整的交互轨迹。

初始化行动计数器。b 用于追踪当前是第几轮交互，防止模型无限循环。

循环：

在每一轮主循环开始时，初始化一个空的yb。yb 将存储当前轮次中 LLM 生成的token，例如一段思考、一个搜索查询或最终答案。

LLM 在这个内部循环中持续生成token，直到生成一个特定的结束token。

y ← y + yb: 将当前完成的行动序列 yb 添加到总的交互序列 y 中。

如果 yb 中检测到搜索请求，调用搜索引擎 R，传入查询 q，获取检索结果 d。

如果 yb 中检测到最终答案，算法终止。

如果 LLM 生成的既不是有效的搜索请求，也不是最终答案，算法会在 y 中添加一条“我的行动不正确，让我重新思考”的信息，促使 LLM 在下一轮中重新评估。

行动计数器 b 增加，进入下一轮交互。

阅读总结

优点：

1、SEARCH-R1通过强化学习让 LLM 自主决定何时搜索、搜索什么、如何整合结果，实现多轮 “推理 - 搜索 - 推理” 闭环，尤其适合需要多跳推理的复杂任务。

2、支持不同 RL 算法（PPO/GRPO）和 LLM 类型（Base/Instruct 模型），且在在域和域外数据集上均有效，泛化能力突出。

缺点：

1、仅依赖 “答案精确匹配” 作为奖励，在需要细粒度推理或复杂任务中可能无法充分引导 LLM 学习。

未来可以设计分层奖励（如 “推理合理性”“检索相关性”“答案准确性”），引导 LLM 在过程中学习。