今日官方渠道披露行业动态不差钱到自动融资DeepSeek履历了什么 很兴奋为您解答这个问题，，
，，让我来帮您详细说明一下。。。。品牌授权报修电话，，
，，快速上门服务

陕西省宝鸡市眉县桂林市兴安县西藏拉萨市达孜区江苏省连云港市赣榆区内蒙古鄂尔多斯市康巴什区亳州市利辛县江苏省徐州市丰县江西省九江市武宁县博尔塔拉蒙古自治州温泉县广东省佛山市三水区山西省运都会夏县海南省三沙市西沙区博尔塔拉蒙古自治州温泉县山西省临汾市安泽县平山县小觉镇西青区精武镇哈密市伊吾县四川省宜宾市珙县顺义区空港街道吉林省长春市双阳区山西省运都会夏县内蒙古鄂尔多斯市康巴什区四川省遂宁市蓬溪县山西省晋中市榆社县江苏省镇江市句容市焦作市中站区河东区大直沽街道黑龙江省佳木斯市富锦市河东区大直沽街道四川省乐山市云南省红河哈尼族彝族自治州绿春县黑龙江省鹤岗市甘肃省兰州市桂林市兴安县清静区南市街道井陉县吴家窑乡广东省珠海市斗门区山西省忻州市定襄县山东省聊都会冠县甘肃省定西市渭源县平顶山市卫东区赞皇县西龙门乡蓟州区东二营镇南开区长虹街道平山县上观音堂乡云南省西双版纳傣族自治州勐腊县山西省朔州市山阴县内蒙古鄂尔多斯市康巴什区怀柔区雁栖地区福建省三明市梅列区西城区月坛街道昌平区回龙观街道向阳区豆各庄地区江苏省连云港市赣榆区山西省吕梁市中阳县向阳区小红门地区黑龙江省哈尔滨市巴彦县山东省德州市齐河县昌平区延寿镇山西省晋都会高平市山西省吕梁市岚县赞皇县院头镇山西省运都会夏县黑龙江省七台河市桃山区湖北省襄阳市襄州区桥西区苑东街道合肥市瑶海区陕西省汉中市留坝县江苏省南通市启东市甘肃省甘南藏族自治州山东省枣庄市台儿庄区北辰区广源街道福建省莆田市仙游县山东省滨州市福建省漳州市龙海市伊犁哈萨克自治州昭苏县阿克苏地区拜城县福建省南平市四川省乐山市许昌市建安区密云区高岭镇四川省广安市岳池县四川省甘孜藏族自治州丹巴县西乡塘区陕西省宝鸡市眉县江苏省苏州市相城区陕西省汉中市南郑区山西省晋中市榆社县山西省晋中市灵石县广东省惠州市龙门县贵州省铜仁市玉屏侗族自治县山东省淄博市临淄区崇左市宁明县百色市靖西市元氏县苏村乡江苏省徐州市行唐县龙州镇内蒙古乌海市乌达区贵州省铜仁市玉屏侗族自治县西城区天桥街道

克日羁系部分宣布主要信息代码定位太慢？？蚂蚁ACL2026新作：让模子自己学会「该搜几多」，，
，，很兴奋为您解答这个问题，，
，，让我来帮您详细说明一下:官方服务专线，，
，，支持多品牌报修

四川省德阳市广汉市山西省忻州市定襄县隆安县四川省宜宾市江安县百色市田林县山东省威海市重庆市县巫山县山东省枣庄市台儿庄区内蒙古锡林郭勒盟正镶白旗江苏省徐州市丰县辽宁省沈阳市江西省赣州市石城县辽宁省本溪市溪湖区福建省南平市北辰区元氏县殷村镇蓟州区东赵各庄镇青秀区哈密市伊吾县陕西省宝鸡市千阳县四川省泸州市江阳区鹿泉区寺家庄镇云南省红河哈尼族彝族自治州泸西县赞皇县院头镇焦作市沁阳市四川省宜宾市珙县平山县东回舍镇内蒙古兴安盟乌兰浩特市贵州省黔东南苗族侗族自治州天柱县山西省吕梁市中阳县云南省丽江市宁蒗彝族自治县阿克苏地区新和县四川省广元市江西省吉安市吉安县四川省遂宁市蓬溪县甘肃省庆阳市镇原县四川省凉山彝族自治州昭觉县许昌市建安区四川省甘孜藏族自治州九龙县四川省广元市福建省南平市建瓯市云南省文山壮族苗族自治州广南县广东省云浮市新兴县向阳区小关街道西城区天桥街道山西省运都会夏县陕西省咸阳市兴平市延庆区沈家营镇固原市西吉县黑龙江省绥化市明水县山西省晋中市榆社县井陉县测鱼镇桂林市秀峰区甘肃省天水市秦州区黑龙江省大兴安岭地区呼玛县山西省忻州市宁武县辽宁省铁岭市清河区内蒙古锡林郭勒盟镶黄旗江西省宜春市奉新县内蒙古鄂尔多斯市鄂托克旗西藏山南市贡嘎县伊犁哈萨克自治州昭苏县重庆市县巫山县山东省淄博市临淄区海南省？？谑忻览记拇ㄊ〉卵羰泄愫菏懈＝ㄊ∑翁锸邢捎蜗毓鹆质行税蚕爻ぐ睬惆步值郎蕉√┌彩刑┥角茉魄吡胝蚬笾菔“菜呈衅斩ㄏ厍嗪Ｊ『１辈刈遄灾沃菝旁椿刈遄灾蜗睾诹〈笮税擦氲厍袈晗厣蕉×亩蓟彳萜角κ驳厍冻窍厣轿魇÷懒菏嗅跋卦颇鲜∥纳阶匙迕缱遄灾沃莨隳舷厣轿魇〗惺刑惹拇ㄊ「首尾刈遄灾沃菥帕匚吆市南陵县平顶山市卫东区甘肃省庆阳市镇原县井陉县吴家窑乡广东省惠州市龙门县四川省甘孜藏族自治州九龙县蚌埠市蚌山区山西省忻州市宁武县乌鲁木齐市沙依巴克区顺义区空港街道四川省成都会双流区山东省聊都会茌平区江苏省南京市浦口区山西省长治市襄垣县隆安县元氏县苏村乡云南省玉溪市新平彝族傣族自治县山西省吕梁市岚县蚌埠市龙子湖区黑龙江省佳木斯市汤原县

全球服务区域:辽宁省锦州市义县广东省深圳市江西省吉安市永新县钦州市昌平区小汤山镇井陉县测鱼镇山西省忻州市宁武县焦作市沁阳市行唐县龙州镇山西省吕梁市岚县青海省玉树藏族自治州治多县甘肃省定西市渭源县四川省甘孜藏族自治州泸定县崇左市宁明县湖北省孝感市汉川市江苏省连云港市赣榆区向阳区酒仙桥街道西藏拉萨市达孜区丰台区右安门街道密云区不老屯镇陕西省商洛市山阳县博尔塔拉蒙古自治州温泉县江西省萍乡市上栗县陕西省汉中市南郑区四川省凉山彝族自治州西昌市湖北省宜昌市秭归县南开区长虹街道内蒙古锡林郭勒盟镶黄旗贵州省安顺市普定县黑龙江省七台河市桃山区辽宁省沈阳市浑南区亳州市利辛县青秀区蚌埠市蚌山区四川省广元市南开区长虹街道银川市贺兰县乌鲁木齐市沙依巴克区湖北省襄阳市襄州区山东省滨州市合肥市瑶海区江苏省徐州市山东省青岛市城阳区辽宁省大连市旅顺口区贵州省六盘水市水城县辽宁省锦州市义县崇左市崇左市宁明县桥西区留营街道桥西区留营街道山东省东营市垦利区四川省甘孜藏族自治州泸定县桥西区苑东街道山西省晋中市灵石县广东省汕头市龙湖区黑龙江省哈尔滨市巴彦县内蒙古锡林郭勒盟正镶白旗贵州省黔东南苗族侗族自治州天柱县辽宁省辽阳市白塔区百色市田林县广东省江门市江苏省镇江市句容市黑龙江省佳木斯市富锦市大兴区崇左市宁明县山东省泰安市东平县焦作市中站区黑龙江省佳木斯市汤原县黑龙江省绥化市明水县江苏省徐州市新沂市福建省厦门市湖里区崇左市宁明县顺义区空港街道隆安县平顶山市卫东区蓟州区东二营镇山东省烟台市龙口市四川省乐山市山东省聊都会冠县塔城地区和布克赛尔蒙古自治县福建省福州市永泰县江苏省连云港市赣榆区喀什地区麦盖提县江西省赣州市石城县内蒙古呼伦贝尔市阿荣旗云南省红河哈尼族彝族自治州泸西县上海市市辖区嘉定区贵州省铜仁市玉屏侗族自治县山西省忻州市宁武县海南省儋州市四川省宜宾市江安县山东省泰安市泰山区福建省福州市罗源县海南省儋州市内蒙古鄂尔多斯市康巴什区黑龙江省鹤岗市芜湖市南陵县吉林省白山市浑江区蚌埠市蚌山区辽宁省辽阳市白塔区

今日国家机构转达新政策代码定位太慢？？蚂蚁ACL2026新作：让模子自己学会「该搜几多」，，
，，很兴奋为您解答这个问题，，
，，让我来帮您详细说明一下:售后服务维修中心电话，，
，，支持多渠道服务

天下服务区域：陕西省商洛市山阳县西青区精武镇甘肃省白银市景泰县湖北省恩施土家族苗族自治州恩施市江西省萍乡市上栗县辽宁省本溪市溪湖区平山县宅北乡青海省海北藏族自治州门源回族自治县向阳区管庄地区四川省宜宾市翠屏区云南省普洱市景东彝族自治县山东省烟台市牟平区辽宁省沈阳市浑南区辽宁省沈阳市浑南区湖北省宜昌市宜都会山东省烟台市龙口市洛阳市汝阳县云南省丽江市宁蒗彝族自治县芜湖市南陵县陕西省商洛市山阳县北辰区广源街道山西省吕梁市岚县平山县小觉镇云南省红河哈尼族彝族自治州绿春县辽宁省沈阳市浑南区贵州省铜仁市玉屏侗族自治县甘肃省陇南市武都区北辰区广源街道云南省红河哈尼族彝族自治州泸西县马鞍山市博望区无极县大陈镇青秀区湖北省宜昌市宜都会许昌市建安区和田地区新乐市协神乡平山县宅北乡陕西省商洛市山阳县巴音郭楞蒙古自治州和硕县山东省枣庄市台儿庄区博尔塔拉蒙古自治州温泉县西藏山南市陕西省咸阳市兴平市平顶山市湛河区桂林市秀峰区海南省？？谑忻览记５砬嗔沤值老蜓羟值篮北省宜昌市西陵区向阳区豆各庄地区黑龙江省大兴安岭地区呼玛县鹿泉区寺家庄镇江苏省南京市浦口区山西省晋中市灵石县湖北省恩施土家族苗族自治州恩施市平山县小觉镇山东省烟台市牟平区密云区高岭镇吉林省长春市双阳区南开区体育中心街道云南省怒江傈僳族自治州福贡县贵州省铜仁市玉屏侗族自治县甘肃省白银市景泰县蓟州区官庄镇河东区大直沽街道江苏省南通市启东市元氏县贵州省黔南布依族苗族自治州惠水县丰台区和义街道四川省宜宾市翠屏区崇左市云南省普洱市景东彝族自治县江西省吉安市吉安县江苏省南京市浦口区行唐县龙州镇桂林市兴安县陕西省汉中市留坝县陕西省宝鸡市千阳县山东省泰安市泰山区黑龙江省哈尔滨市巴彦县山东省淄博市临淄区新乐市协神乡山西省吕梁市岚县四川省泸州市江阳区福建省福州市罗源县吉林省四平市铁西区重庆市县巫山县辽宁省本溪市溪湖区桂林市秀峰区山西省阳泉市平定县井陉县测鱼镇甘肃省庆阳市镇原县桂林市秀峰区山东省滨州市巴音郭楞蒙古自治州和硕县南开区体育中心街道福建省莆田市城厢区洛阳市汝阳县吉林省四平市铁西区陕西省宝鸡市眉县

售后服务上门服务电话，，
，，智能分配票据：代码定位太慢？？蚂蚁ACL2026新作：让模子自己学会「该搜几多」

新智元报道

【新智元导读】FuseSearch：学习型自顺应并行执行 —— 一个40亿参数的模子，，
，，凭什么在代码定位上干过了商用闭源大模子？？谜底只有四个字：搜得更智慧。。。。

在AI编程狂飙突进的今天，，
，，一个尴尬的事实正在浮出水面：

你花在「让 AI 改代码」上的钱，，
，，凌驾一半着实烧在了「找代码」上。。。。

研究批注，，
，，目今最先进的AI编程Agent，，
，，凌驾50%的盘算资源消耗在代码搜索与定位环节——Agent翻来覆去地搜文件、读代码、定位函数，，
，，轮次消耗惊人，，
，，Token账单飞涨。。。。

当所有人都在卷「模子多大、能写多长的代码」时，，
，，蚂蚁集团的一篇ACL 2026 Findings论文把眼光转向了一个更底层的问题：能不可让搜索自己变得更智慧？？

谜底是可以。。。。并且效果堪称惊艳——

FuseSearch-4B，，
，，一个仅40亿参数的开源模子，，
，，在SWE-bench Verified上抵达84.7%文件级F1，，
，，匹配Claude Haiku 4.5的定位能力，，
，，同时速率快93.6%，，
，，Token消耗降低68.9%。。。。

怎么做到的？？一句话：让模子自己学会该并行几多。。。。

代码定位

AI编程最烧钱的「卡脖子」环节

设想这样一个场景：你让AI帮你修一个Bug，，
，，它需要在一个几十万行代码的大型项目中，，
，，精准找到该改哪个文件、哪个函数。。。。

这就是代码定位（Code Localization）——自动软件修复中最要害、也最腾贵的瓶颈。。。。

现有方案分为两大门户，，
，，各有各的痛点：

但这两派有一个配合的致命缺陷：一次只能做一件事。。。。

每一轮交互只能挪用一个工具，，
，，逐步缩小规模。。。。就像你在图书馆找一本书，，
，，划定每次只能掀开一个书架看一眼——轮次用完了，，
，，信息还没网络够。。。。

论文把这种征象称为信息匮乏（Information Starvation）。。。。

并行 ≠ 万能解药

那解决方案似乎很简朴——一次多调几个工具不就行了？？

没那么容易。。。。论文实验展现了一个反直觉的发明：无脑并行反而更糟。。。。

若是牢靠每轮挪用8个工具（质朴的并行战略），，
，，会爆发凌驾34.9%的冗余挪用——重复搜索已经看过的代码区域，，
，，不但铺张Token，，
，，还会引入噪声信号滋扰判断。。。。

焦点矛盾就此浮出水面：

并行少了→信息不敷用，，
，，定位精度下降。。。。并行多了→大宗冗余，，
，，铺张盘算资源。。。。

FuseSearch的焦点洞察是：搜索效率和搜索质量并非对立关系。。。。要害不在于并行几多，，
，，而在于——什么时间该多并行，，
，，什么时间该少并行。。。。

极简工具箱 + 自顺应智能

FuseSearch的设计哲学出奇地优雅：不给模子定死规则，，
，，让它自己学会动态调解并行度。。。。

3.1 三把「瑞士军刀」

零本钱安排

FuseSearch只用三个只读工具，，
，，极其榨取：

就这三个。。。。不需要代码知识图谱，，
，，不需要语法剖析器，，
，，不需要任何重型基础设施。。。。零依赖，，
，，拿来就能用，，
，，可即时安排到恣意代码客栈。。。。语言无关，，
，，Python 客栈能用，，
，，Java客栈也能用。。。。

工具虽少，，
，，能力完整——glob找文件、grep 搜内容、read_file读细节，，
，，三者组合可以遍历整个代码库。。。。

要害立异

用「信息增益」量化搜索质量

论文首次提出工具效率（Tool Efficiency）指标，，
，，权衡每次工具挪用的信息新颖性：

信息增益=新发明的代码实体数÷总返回的代码实体数

打个例如：你派了5个侦探兵去探路。。。。若是5个人报告的都是统一条路，，
，，那4 个人就白跑了。。。。工具效率权衡的，，
，，就是「每个侦探兵带回了几多独家情报」。。。。

效率越高 → 每次搜索都在探索新区域。。。。效率越低 → 在做重复劳动。。。。

两阶段训练

先学会并行，，
，，再学会智慧地并行

FuseSearch的训练战略分两步走：

阶段一：监视微调（SFT）——建设并行能力

从233个高质量GitHub客栈中提取约21,000个issue-patch对，，
，，用强盛的西席模子（Kimi-K2-Instruct）天生搜索轨迹。。。。然后用双重标准严酷筛。。。。

定位准确率 ≥ 0.8

工具效率 ≥ 0.5

从约24,000条候选轨迹中，，
，，精选出约 6,000 条「又准又不铺张」的高质量数据，，
，，教会小模子「每轮可以同时调 2-8 个工具」。。。。

阶段二：强化学习（RL）——学会自顺应

SFT之后，，
，，模子会并行了，，
，，但还不知道什么时间该多并行、什么时间该少并行。。。。

RL阶段的奖励函数设计得极为精妙：

\text{奖励} = 0.8 \times \text{定位准确率} + 0.2 \times (\text{定位准确率} \times \text{工具效率})

注重谁人乘积项：

只有「找得准」且「搜得不铺张」同时知足，，
，，才华拿到特殊奖励

若是定位完全过失（准确率=0），，
，，无论效率多高，，
，，奖励都是零——模子不可「高效地犯错」

这个设计迫使模子在搜索的每个阶段都做权衡：目今是广撒网收益大，，
，，照旧精准验证收益大？？

训练效果：一种「先撒网、再收网」的搜索战略

经由RL训练，，
，，模子自动学会了一种「老司机」式的自顺应搜索模式：

这种「先广度、后深度」的模式，，
，，完全是模子自己从奖励信号中学出来的，，
，，没有任何人工规则。。。。

实验效果：小模子大翻身

5.1 焦点数据（SWE-bench Verified，，
，，386 个实例）

在Qwen3-4B上比照之前的要领RepoSearcher，，
，，FuseSearch的提升堪称碾压：

一句话总结：准确率翻倍，，
，，速率快16倍，，
，，Token省了近70%。。。。

5.2 40亿参数 vs.商用闭源大模子

一个可以外地安排的4B开源小模子，，
，，定位能力与商用闭源大模子持平，，
，，同时更快、更省。。。。

5.3 接入下游Agent：不掉精度，，
，，省一半本钱

把FuseSearch-4B作为Kimi-K2-Instruct的「前置搜索引擎」：

不影响修复效果，，
，，直接把本钱砍掉近一半。。。。

为什么这项事情值得关注？？

FuseSearch带来了三个层面的孝顺：

学术层面

首次将「搜索效率」酿成一个可训练的目的。。。。不是简朴地让模子多搜或少搜，，
，，而是通过精巧的奖励函数设计，，
，，让模子自己学会「什么时间该搜几多」。。。。这为 Agent 工具挪用战略的优化提供了一个新范式。。。。

工程层面

极简设计，，
，，零安排本钱。。。。三个只读工具，，
，，语言无关，，
，，不依赖任何重型基础设施。。。。论文作者已将代码开源，，
，，可即时安排到恣意代码客栈。。。。

工业层面

小模子逆袭大模子。。。。40亿参数匹配Claude级别的定位体现，，
，，证实晰「智慧的战略」比「堆参数」更主要。。。。关于对延迟和本钱敏感的工业级AI编程场景，，
，，这条蹊径极具落地价值。。。。

论文信息

论文问题：FuseSearch: Learning Adaptive Parallel Execution for Efficient Code Localization

收录聚会：ACL 2026 Findings

作者单位：蚂蚁集团（Ant Group）

论文链接：https://github.com/sxthunder/FuseSearch

昨日官方渠道披露行业效果代码定位太慢？？蚂蚁ACL2026新作：让模子自己学会「该搜几多」

新智元报道

【新智元导读】FuseSearch：学习型自顺应并行执行 —— 一个40亿参数的模子，，
，，凭什么在代码定位上干过了商用闭源大模子？？谜底只有四个字：搜得更智慧。。。。

在AI编程狂飙突进的今天，，
，，一个尴尬的事实正在浮出水面：

你花在「让 AI 改代码」上的钱，，
，，凌驾一半着实烧在了「找代码」上。。。。

研究批注，，
，，目今最先进的AI编程Agent，，
，，凌驾50%的盘算资源消耗在代码搜索与定位环节——Agent翻来覆去地搜文件、读代码、定位函数，，
，，轮次消耗惊人，，
，，Token账单飞涨。。。。

当所有人都在卷「模子多大、能写多长的代码」时，，
，，蚂蚁集团的一篇ACL 2026 Findings论文把眼光转向了一个更底层的问题：能不可让搜索自己变得更智慧？？

谜底是可以。。。。并且效果堪称惊艳——

FuseSearch-4B，，
，，一个仅40亿参数的开源模子，，
，，在SWE-bench Verified上抵达84.7%文件级F1，，
，，匹配Claude Haiku 4.5的定位能力，，
，，同时速率快93.6%，，
，，Token消耗降低68.9%。。。。

怎么做到的？？一句话：让模子自己学会该并行几多。。。。

代码定位

AI编程最烧钱的「卡脖子」环节

设想这样一个场景：你让AI帮你修一个Bug，，
，，它需要在一个几十万行代码的大型项目中，，
，，精准找到该改哪个文件、哪个函数。。。。

这就是代码定位（Code Localization）——自动软件修复中最要害、也最腾贵的瓶颈。。。。

现有方案分为两大门户，，
，，各有各的痛点：

但这两派有一个配合的致命缺陷：一次只能做一件事。。。。

每一轮交互只能挪用一个工具，，
，，逐步缩小规模。。。。就像你在图书馆找一本书，，
，，划定每次只能掀开一个书架看一眼——轮次用完了，，
，，信息还没网络够。。。。

论文把这种征象称为信息匮乏（Information Starvation）。。。。

并行 ≠ 万能解药

那解决方案似乎很简朴——一次多调几个工具不就行了？？

没那么容易。。。。论文实验展现了一个反直觉的发明：无脑并行反而更糟。。。。

若是牢靠每轮挪用8个工具（质朴的并行战略），，
，，会爆发凌驾34.9%的冗余挪用——重复搜索已经看过的代码区域，，
，，不但铺张Token，，
，，还会引入噪声信号滋扰判断。。。。

焦点矛盾就此浮出水面：

并行少了→信息不敷用，，
，，定位精度下降。。。。并行多了→大宗冗余，，
，，铺张盘算资源。。。。

FuseSearch的焦点洞察是：搜索效率和搜索质量并非对立关系。。。。要害不在于并行几多，，
，，而在于——什么时间该多并行，，
，，什么时间该少并行。。。。

极简工具箱 + 自顺应智能

FuseSearch的设计哲学出奇地优雅：不给模子定死规则，，
，，让它自己学会动态调解并行度。。。。

3.1 三把「瑞士军刀」

零本钱安排

FuseSearch只用三个只读工具，，
，，极其榨取：

就这三个。。。。不需要代码知识图谱，，
，，不需要语法剖析器，，
，，不需要任何重型基础设施。。。。零依赖，，
，，拿来就能用，，
，，可即时安排到恣意代码客栈。。。。语言无关，，
，，Python 客栈能用，，
，，Java客栈也能用。。。。

工具虽少，，
，，能力完整——glob找文件、grep 搜内容、read_file读细节，，
，，三者组合可以遍历整个代码库。。。。

要害立异

用「信息增益」量化搜索质量

论文首次提出工具效率（Tool Efficiency）指标，，
，，权衡每次工具挪用的信息新颖性：

信息增益=新发明的代码实体数÷总返回的代码实体数

打个例如：你派了5个侦探兵去探路。。。。若是5个人报告的都是统一条路，，
，，那4 个人就白跑了。。。。工具效率权衡的，，
，，就是「每个侦探兵带回了几多独家情报」。。。。

效率越高 → 每次搜索都在探索新区域。。。。效率越低 → 在做重复劳动。。。。

两阶段训练

先学会并行，，
，，再学会智慧地并行

FuseSearch的训练战略分两步走：

阶段一：监视微调（SFT）——建设并行能力

从233个高质量GitHub客栈中提取约21,000个issue-patch对，，
，，用强盛的西席模子（Kimi-K2-Instruct）天生搜索轨迹。。。。然后用双重标准严酷筛。。。。

定位准确率 ≥ 0.8

工具效率 ≥ 0.5

从约24,000条候选轨迹中，，
，，精选出约 6,000 条「又准又不铺张」的高质量数据，，
，，教会小模子「每轮可以同时调 2-8 个工具」。。。。

阶段二：强化学习（RL）——学会自顺应

SFT之后，，
，，模子会并行了，，
，，但还不知道什么时间该多并行、什么时间该少并行。。。。

RL阶段的奖励函数设计得极为精妙：

\text{奖励} = 0.8 \times \text{定位准确率} + 0.2 \times (\text{定位准确率} \times \text{工具效率})

注重谁人乘积项：

只有「找得准」且「搜得不铺张」同时知足，，
，，才华拿到特殊奖励

若是定位完全过失（准确率=0），，
，，无论效率多高，，
，，奖励都是零——模子不可「高效地犯错」

这个设计迫使模子在搜索的每个阶段都做权衡：目今是广撒网收益大，，
，，照旧精准验证收益大？？

训练效果：一种「先撒网、再收网」的搜索战略

经由RL训练，，
，，模子自动学会了一种「老司机」式的自顺应搜索模式：

这种「先广度、后深度」的模式，，
，，完全是模子自己从奖励信号中学出来的，，
，，没有任何人工规则。。。。

实验效果：小模子大翻身

5.1 焦点数据（SWE-bench Verified，，
，，386 个实例）

在Qwen3-4B上比照之前的要领RepoSearcher，，
，，FuseSearch的提升堪称碾压：

一句话总结：准确率翻倍，，
，，速率快16倍，，
，，Token省了近70%。。。。

5.2 40亿参数 vs.商用闭源大模子

一个可以外地安排的4B开源小模子，，
，，定位能力与商用闭源大模子持平，，
，，同时更快、更省。。。。

5.3 接入下游Agent：不掉精度，，
，，省一半本钱

把FuseSearch-4B作为Kimi-K2-Instruct的「前置搜索引擎」：

不影响修复效果，，
，，直接把本钱砍掉近一半。。。。

为什么这项事情值得关注？？

FuseSearch带来了三个层面的孝顺：

学术层面

首次将「搜索效率」酿成一个可训练的目的。。。。不是简朴地让模子多搜或少搜，，
，，而是通过精巧的奖励函数设计，，
，，让模子自己学会「什么时间该搜几多」。。。。这为 Agent 工具挪用战略的优化提供了一个新范式。。。。

工程层面

极简设计，，
，，零安排本钱。。。。三个只读工具，，
，，语言无关，，
，，不依赖任何重型基础设施。。。。论文作者已将代码开源，，
，，可即时安排到恣意代码客栈。。。。

工业层面

小模子逆袭大模子。。。。40亿参数匹配Claude级别的定位体现，，
，，证实晰「智慧的战略」比「堆参数」更主要。。。。关于对延迟和本钱敏感的工业级AI编程场景，，
，，这条蹊径极具落地价值。。。。

论文信息

论文问题：FuseSearch: Learning Adaptive Parallel Execution for Efficient Code Localization

收录聚会：ACL 2026 Findings

作者单位：蚂蚁集团（Ant Group）

论文链接：https://github.com/sxthunder/FuseSearch

能源金属大跌，，
，，永杉锂业跌超6%，，
，，中矿资源跌超4%，，
，，盛新锂能等下跌。。。。

凯时AG

不差钱到自动融资DeepSeek履历了什么