软件先容

80后操逼网使用指南

第一步：导入文件

翻开软件，，，点击"?添加 80后操逼网"按钮，，，从电脑中选择《80后操逼网》文件，，，或直接将其拖拽至软件界面中。。。。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。。。

第三步：最先下载

确认无误后，，，点击"最先下载/处理"按钮。。。。。期待进度条读取完毕，，，即可在设定的文件夹中审查下载好的正版文件。。。。。

代码定位太慢？？蚂蚁ACL2026新作：让模子自己学会「该搜几多」，，，80后操逼网

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