ClueFlow
一种用于长程搜索智能体的训练框架，基于Source-State-Final归因链将状态变化与源动作及最终答案关联，实现细粒度信用分配，提升搜索准确率与训练效率。
时间轴 (近 90 天)
ClueFlow通过构建Source-State-Final归因链，将源浏览器动作、状态更新和最终答案形成可验证的因果链条，以实现信用分配。
在Qwen3.5-35B-A3B骨干模型上，ClueFlow在BrowseComp基准上达到60.0%准确率。
在BrowseComp-Plus上，归因引导的SFT仅用约30%的训练token就匹配了全轮次精确上下文SFT的效果。
在BrowseComp-Plus上，归因引导的PPO比仅使用结果奖励的PPO高出4.1个百分点。
ClueFlow的归因机制在SFT阶段决定哪些决策应被监督，仅对与金标准一致的状态变化及其原始交互上下文进行学习。
ClueFlow在Turn-PPO阶段利用归因链增强基于结果的轮次优势值，将信用沿Source-State-Final链条精确分配。
即使整条轨迹最终答案错误，ClueFlow的过渡级验证仍能从与金标准一致的状态变化中回收有用的监督信号。
ClueFlow的归因链构建依赖执行后的语义验证和来源追溯，带来额外计算开销，但论文的token效率数据表明该开销在训练阶段是划算的。
ClueFlow将信用分配从轮次粒度下沉到状态变化粒度，使模型学习哪类证据获取动作导致哪类状态演进。
ClueFlow在四个搜索基准上进行了评估，覆盖实时网页和固定语料两种设置。
还有 1 条时间轴事件
全部知识事实 (11)
ClueFlow通过构建Source-State-Final归因链，将源浏览器动作、状态更新和最终答案形成可验证的因果链条，以实现信用分配。
50%待验证在Qwen3.5-35B-A3B骨干模型上，ClueFlow在BrowseComp基准上达到60.0%准确率。
50%待验证在BrowseComp-Plus上，归因引导的SFT仅用约30%的训练token就匹配了全轮次精确上下文SFT的效果。
50%待验证在BrowseComp-Plus上，归因引导的PPO比仅使用结果奖励的PPO高出4.1个百分点。
50%待验证ClueFlow的归因机制在SFT阶段决定哪些决策应被监督，仅对与金标准一致的状态变化及其原始交互上下文进行学习。
50%待验证ClueFlow在Turn-PPO阶段利用归因链增强基于结果的轮次优势值，将信用沿Source-State-Final链条精确分配。
50%待验证即使整条轨迹最终答案错误，ClueFlow的过渡级验证仍能从与金标准一致的状态变化中回收有用的监督信号。
50%待验证ClueFlow的归因链构建依赖执行后的语义验证和来源追溯，带来额外计算开销，但论文的token效率数据表明该开销在训练阶段是划算的。
50%待验证ClueFlow将信用分配从轮次粒度下沉到状态变化粒度，使模型学习哪类证据获取动作导致哪类状态演进。
50%待验证ClueFlow在四个搜索基准上进行了评估，覆盖实时网页和固定语料两种设置。
50%待验证ClueFlow在SFT阶段带来一致提升，PPO阶段进一步提升。
50%