蚂蚁&北大:用效率奖励训练并行智能体
代码定位(Code Localization)是自动化软件开发与修复流程中的核心瓶颈,现有大模型智能体在该阶段消耗超过一半的算力。虽然并行工具调用可在一定程度上缓解“信息饥饿”,但传统的固定并行策略会导致高达34.9%的冗余调用,反而拉低了整体效率与精度。针对这一问题,蚂蚁与北京大学联合提出了FuseSearch框架,该框架通过引入“工具效率”作为核心优化信号,实现了自适应的并行执行,在不依赖代码图或语言解析器的前提下,达成了高精度、低成本的代码定位。
01核心痛点:固定并行策略的局限性
在当前的大模型智能体开发流程中,代码定位往往占据了一半以上的算力资源。为了加快处理速度,业界常采用并行工具调用策略。然而,这种策略通常设定固定的并行宽度,缺乏灵活性。实验数据显示,固定宽度的并行策略会带来显著的冗余调用,冗余率高达34.9%。这些无效的搜索不仅浪费了计算资源,产生的冗余噪声还会干扰模型的判断,导致定位精度下降。
02解决方案:FuseSearch自适应执行框架
FuseSearch 提出了一种全新的自适应并行执行框架,将“工具效率”首次形式化为优化目标。该框架摒弃了传统的固定并行模式,允许模型根据搜索阶段的实际需求动态调整并行度。搜索初期采用广覆盖的宽并行策略以快速探索,随着信息量的积累,后期自动过渡到精准收敛的窄并行策略。这种动态调整机制有效避免了无效搜索,显著提升了资源利用率。
03技术创新与实验效果
- 质量–效率双目标联合训练
结合监督微调(SFT)与强化学习(RL),在保证F1指标不退化的前提下,显著降低了搜索轮数、执行时间和Token消耗。 - 极简工具集设计
去除了对复杂基础设施的依赖,仅使用grep、glob、read_file三个只读工具,实现了无AST(抽象语法树)、无代码图、语言无关的轻量化运行。 - 效率驱动提升精度
实验证明,通过减少冗余噪声,该框架显著提升了文件级与函数级定位的F1分数,验证了“效率驱动反而提升精度”的技术逻辑。
| 对比维度 | 传统固定并行策略 | FuseSearch 自适应框架 |
|---|---|---|
| 并行宽度 | 固定宽度 | 自适应宽度(动态调整) |
| 冗余调用率 | 高达 34.9% | 显著降低 |
| 核心优化指标 | 信息覆盖量 | 工具效率(新增信息比例) |
| 基础设施依赖 | 通常依赖 AST 或代码图 | 极简工具集(grep/glob/read_file) |
FuseSearch与传统方案的核心指标对比
当前文章无评论,是时候发表评论了