💡 站外导读：当前大模型长文本推理面临两大痛点：一是模型常’蒙对答案但引用错误’，幻觉问题严重；二是传统强化学习仅依赖结果奖励，监督信号稀疏导致效率低下。阿里通义实验室推出的EAPO框架，首次将监督信号从最终答案下沉到证据提取过程，通过结构化证据推理和多粒度过程奖励，让小模型在长文本任务上实现反超。
EAPO是什么
EAPO是阿里通义实验室推出的长文本推理强化学习框架，通过引入”证据奖励”机制，将监督信号从最终答案下沉到证据提取过程。框架已被ACL 2026录用，在8个权威长文本基准测试中，让30B模型反超120B的GPT-OSS及Claude-Sonnet-4等闭源大模型。
阅读目录
EAPO的主要功能
-
结构化证据推理：强制模型执行”任务分析→证据提取→推理执行→答案生成”四步工作流，通过特殊 token 分隔每一步，使中间证据状态可被直接监督。
-
多粒度过程奖励：构建复合奖励信号，包含格式遵循奖励、群组相对证据质量奖励和结果准确率奖励，从稀疏的结果监督转向密集的过程监督。
-
群组相对证据评估：对同一问题采样多条证据轨迹，由奖励模型统一评估并给出1-5分的整数质量评分，在组内归一化生成相对奖励，引导模型优先提取高质量证据。
-
奖励-策略协同进化：设计自适应闭环机制，将策略模型生成的高置信度、结果一致的优质证据链筛选后反哺奖励模型进行拒绝微调，使评判标准随模型能力提升而动态进化。
-
长文本推理增强：在SEAL、LongBench-V1/V2等8个权威长文本基准上显著提升性能，让30B模型在长文本推理上反超120B的GPT-OSS及Claude-Sonnet-4等闭源大模型。
EAPO的技术原理
- Evidence-Augmented Reasoning（EAR）范式：建立结构化推理范式，强制模型在生成答案前必须从原文中逐字摘录相关证据片段。通过特殊 token 将流程拆分为”任务分析→证据提取→推理执行→答案生成”四步，使中间证据状态暴露在外、可被直接监督，从根本上解决传统模型”蒙对答案但引用错误”的幻觉问题。
- Group-Relative Evidence Reward（群组相对证据奖励）：EAPO将强化学习的优化目标从”结果正确”转向”证据正确”。训练时模型对同一问题采样多条不同的证据轨迹，奖励模型同时评估这些证据集，给出1-5分的效用评分，在采样组内归一化为[0,1]的相对奖励。密集的过程监督让模型明白”找对证据”比”蒙对答案”更重要，有效抑制参数化捷径。
- Adaptive Reward-Policy Co-Evolution（自适应奖励-策略协同进化）：随着策略模型能力提升，固定奖励模型会逐渐无法区分证据的微妙质量差异。EAPO设计自我强化闭环：通过Outcome-Consistent Rejection Fine-Tuning，筛选出”高证据评分且答案正确”或”低评分且答案错误”的高置信度 rollout 数据，用这些实例对奖励模型进行监督微调。策略模型越强，生成的训练数据越好；奖励模型评判越精准，又能反过来指导策略模型提取更精确的证据，实现动态同步进化。
- 基于GRPO的复合奖励机制：EAPO以Group Relative Policy Optimization为基座算法，构建多粒度复合奖励：格式遵循奖励（α=0.1）确保输出符合EAR结构；群组相对证据质量奖励（β=0.3）提供过程监督；结果准确率奖励（γ=0.6）验证最终答案。三者加权组合，将稀疏的结果信号转化为密集的过程导向指导。
EAPO的关键信息和使用要求
-
研发团队：阿里通义实验室（Xin Guan、Zijian Li、Shen Huang等），论文已被ACL 2026录用。
-
基座模型：基于Qwen3-14B（Dense架构）、Qwen3-30B-A3B-Instruct（MoE架构）、Qwen3-30B-A3B-Thinking三种模型训练。
-
上下文长度：训练和评估样本统一限制在128K tokens以内。
-
训练数据：4,664条复合样本，涵盖32K-128K填充上下文的多跳QA（MuSiQue）及维基百科混合QA（结构化+非结构化）。
-
奖励模型：基于Qwen3-30B-A3B-Thinking初始化，每20个RL步骤更新一次。
-
奖励权重：格式遵循α=0.1，证据质量β=0.3，结果准确率γ=0.6。
-
核心算法：以GRPO（Group Relative Policy Optimization）为基座，引入群组相对证据奖励和协同进化机制。
-
模型基础：需基于支持长文本的Qwen3系列模型进行训练，推荐30B-A3B-Thinking以获得最佳效果。
EAPO的核心优势
- 过程监督革新：打破长文本RL稀疏奖励瓶颈，首次实现证据级密集过程监督，强制模型执行”分析→提取证据→推理→作答”四步工作流，让每一步推理都有迹可循。
- 效能突破：基于Qwen3-30B-Thinking训练的模型平均得分达63.1%，超越120B的GPT-OSS及Claude-Sonnet-4等闭源大模型，实现小模型反超大模型。
- 错误双降：证据错误率从17.7%降至13.5%，推理错误率从20.7%降至15.4%，无需显式监督推理步骤即可带动两类错误同步下降。
- 训练效率领先：相比仅依赖结果奖励的GRPO基线，EAPO收敛速度显著加快且准确率天花板更高，训练过程中的证据质量得分始终断崖式领先。
- 评判标准进化：奖励模型与策略模型通过高置信度 rollout 数据持续迭代协同进化，避免固定评判标准随模型能力提升。
EAPO的项目地址
- 技术论文：https://arxiv.org/pdf/2601.10306
EAPO的同类竞品对比
| 对比维度 | EAPO | GRPO | QwenLong-32B |
|---|---|---|---|
| 技术路线 | 证据增强RL训练框架 | 标准群组相对策略优化 | 长文本专用模型后训练 |
| 监督信号 | 证据级密集过程奖励 + 结果奖励 | 仅稀疏结果奖励 | 隐式长文本优化 |
| 证据显式提取 | 强制四步结构化输出 | 无 | 无 |
| 奖励模型进化 | 自适应协同进化闭环 | 无奖励模型 | 不涉及 |
| 长文本针对性 | 专为128K高噪上下文设计 | 通用 | 强 |
| 代表性能 | 63.1%（30B，8基准平均） | 59.2%（30B基线） | 57.8% |
| 核心局限 | 需独立维护奖励模型 | 无法抑制”蒙对”捷径 | 无显式证据监督机制 |
EAPO的应用场景
- AI搜索与问答：解决AI搜索引擎”搜对了但答错了”的核心痛点，强制模型在海量检索结果中精准定位并引用支撑证据，杜绝幻觉式作答。
- 专业领域文档分析：适用法律、金融、医疗等需要严格事实依据的场景，确保每一份报告、每一次分析都有明确的原文出处和证据链支撑。
- 科研文献综述：支持跨越多篇论文的交叉验证与综合推理，自动提取关键实验数据并准确引用，确保综述结论均有文献依据。
- 企业知识库问答：在超长内部文档、合同、手册中精准定位决策依据，帮助员工快速获取有明确出处支撑的业务答案。
- 教育辅导与自动批改：用于解题辅导时要求每一步推理都标注原文证据，自动批改时验证学生答案是否基于题目材料中的有效信息推导。
📝 站长洞察 (Editor’s Insight)
EAPO框架的发布标志着强化学习从’结果导向’向’过程导向’的重要范式转移。在行业过度追逐模型规模的当下，阿里通义通过证据级密集监督证明了小模型的潜力——这本质上是对Scaling Law的巧妙突破。其’奖励-策略协同进化’机制尤为精妙，让评判标准随模型能力动态提升，解决了固定奖励模型导致的训练瓶颈。从应用视角看，EAPO为AI搜索、专业文档分析等场景提供了’可追溯推理’的技术基础，这正是企业级AI落地最需要的信任机制。可以预见，证据增强将成为下一阶段大模型训练的核心范式，而阿里通义这次在ACL 2026的论文发表，无疑为中国AI研究在国际顶会再添重要砝码。
