5 结论

本文为论文《Search-o1：让推理模型学会边思考边检索》「中文全文翻译」板块的对应章节，与「论文原文」板块同一章节一一对应，层级保持一致。

在本工作中，我们提出 Search-o1，一个通过整合代理式检索增强生成机制与 Reason-in-Documents 模块来解决大推理模型（LRM）固有知识不足的框架。我们的方法使 LRM 在推理过程中能够自主检索并无缝融合外部知识，从而提升其长链推理能力的准确性与连贯性。在科学、数学与代码等多样化的复杂推理任务，以及多项开放域问答基准上的广泛实验表明，Search-o1 始终优于现有的检索增强与直接推理方法。特别是，Search-o1 不仅在处理复杂推理挑战方面超越基线模型，还在特定领域实现了可与或超过人类专家的性能水平。这些发现凸显了 Search-o1 显著提升 LRM 可靠性与多功能性的潜力，为在复杂问题求解场景中构建更值得信赖且有效的智能系统铺平了道路。