---
title: "阿里通义实验室MaskSearch：揭秘如何让AI大模型成为顶级信息检索专家，性能暴涨！"
url: "https://paooo.com/aigc-news/14827/"
author: "Prompt 语宙研究院"
published_at: "2026-06-28T09:12:22+08:00"
updated_at: "2026-06-07T20:26:19+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "AIGC, AI智能体, RAG检索增强, 大模型微调, 检索增强生成, 阿里巴巴通义"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 阿里通义实验室MaskSearch：揭秘如何让AI大模型成为顶级信息检索专家，性能暴涨！

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14827/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-28

## AI 30 秒核心看点 (TL;DR)

- MaskSearch不是简单RAG升级，而是把检索与推理能力写进预训练阶段。
- 核心RAMP任务要求模型主动搜索外部知识，补全被掩码的关键信息。
- 结合多智能体CoT、DAPO强化学习和课程学习，提升问答与搜索表现。

> 
                **💡 站外导读：**在AI大模型竞争白热化的今天，其“幻觉”与知识滞后问题严重制约了在真实场景中的应用。如何让大模型不仅“能说会道”，更能主动、精准地获取和利用外部最新知识，成为突破瓶颈的核心挑战。MaskSearch正是在此背景下应运而生，它并非简单的RAG升级，而是通过一种创新的预训练范式，将“检索与推理”能力深度植入模型骨髓，旨在从根本上提升智能体的搜索与决策水平。

            

             
                        

## MaskSearch是什么

MaskSearch是阿里巴巴通义实验室推出的新型通用预训练框架，提升大型语言模型（LLM）的智能体搜索能力。通过检索增强掩码预测（RAMP）任务，让模型在输入文本中对关键信息掩码，借助外部知识库调用搜索工具预测被掩盖的片段，涵盖命名实体、日期、数字、本体知识等关键信息，增加任务难度，促使模型精细化处理信息。在生成监督微调（SFT）数据时，采用多智能体系统，包括规划者、重写者、观察者等角色，协同生成思维链数据，提升数据质量。训练方法结合了SFT和强化学习（RL），使用动态采样策略优化（DAPO）算法构建混合奖励系统，采用课程学习，按掩码数量分级样本难度，让模型逐步学习。

## MaskSearch的主要功能

- **提升问答性能**：显著增强LLM在开放域多跳问答场景中的性能，特别是在领域内和领域外下游任务上，提升模型对复杂问题的理解和回答能力。

- **适应多种任务**：通过RAMP任务和多智能体生成的思维链数据，模型能够更好地适应多种问答任务，提升在不同场景下的表现。

- **多种训练方法兼容**：兼容SFT和RL两种训练方法，可以根据不同的任务需求选择合适的训练策略。

- **数据集扩展**：通过构建大规模预训练数据集（如1000万样本），提升模型的训练效果和可扩展性。

## MaskSearch的技术原理

- **检索增强掩码预测（RAMP）任务**：MaskSearch的核心是RAMP任务，受BERT掩码机制启发，让模型在输入文本序列中对关键信息进行掩码处理，然后主动借助外部知识库，调用搜索工具来预测这些被掩盖的文本片段。除了常见的命名实体、日期和数字外，还考虑了本体知识、特定术语和数值等关键信息，增加了任务难度，促使模型在检索和推理过程中更加精细化地处理信息。

- **多智能体协同生成思维链（CoT）数据**：为了生成用于监督微调（SFT）的思维链数据，MaskSearch采用多智能体系统，包括规划者、重写者、观察者等角色，协同进行思维链的生成任务，最终由一个LLM负责答案判断，仅保留正确答案的思维链。为快速扩展数据集并保持高质量，使用已有数据训练后的教师模型，直接生成推理轨迹，逐步迭代教师模型，逐步提升数据质量。

- **强化学习（RL）**：在强化学习部分，MaskSearch采用了动态采样策略优化（DAPO）算法，构建混合奖励系统，包括格式奖励和回答奖励。格式奖励检查模型输出是否符合指定格式，回答奖励则评估生成答案与标准答案的一致性。最终选择基于模型的奖励函数，使用Qwen2.5-72B-Instruct模型作为评判，为生成答案和标准答案的一致性进行打分。

- **课程学习**：MaskSearch引入了课程学习策略，依据掩码数量对训练样本进行难度分级，让模型从易到难依次学习，逐步提升能力。

## MaskSearch的项目地址

- **Github仓库**：[https://github.com/Alibaba-NLP/MaskSearch](https://github.com/Alibaba-NLP/MaskSearch)

- **arXiv技术论文**：[https://arxiv.org/pdf/2505.20285](https://arxiv.org/pdf/2505.20285)

## MaskSearch的应用场景

- **智能客服**：在智能客服领域，MaskSearch能帮助客服系统更准确地理解用户问题，快速检索到相关的答案和信息，提高客服效率和用户满意度。

- **教育领域**：在教育领域，MaskSearch可以用于构建智能辅导系统，帮助学生更好地理解和解决复杂的学术问题。能根据学生的问题，检索相关的知识点和解答，提供个性化的学习支持。

- **企业级搜索系统**：企业级搜索系统需要处理大量的内部数据和复杂的查询需求。MaskSearch可以增强企业搜索系统的检索能力，能更准确地理解用户查询意图，从海量数据中快速检索到相关信息，提高企业决策效率。

- **机器学习模型的调试与优化**：MaskSearch还可以用于机器学习模型的调试与优化。例如，在调试图像分类模型时，MaskSearch可以帮助用户通过掩码属性查询图像数据库，识别模型学习到的虚假相关性，探索模型显著性与人类注意力之间的差异。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                MaskSearch的发布，标志着AI模型从被动接收知识向主动构建知识体系的范式跃迁。它巧妙融合了BERT的掩码思想与强化学习，让大模型在训练阶段就学会“带着问题去搜索”。这不仅是技术层面的突破，更预示着未来智能体的发展方向：一个能够自我质疑、自我验证、并连接外部世界的“认知引擎”。对于企业而言，这意味着构建可靠、低幻觉的行业应用（如金融分析、法律咨询、医疗诊断）将拥有更坚实的底座。我们正站在“自主式AI”的门槛上，MaskSearch是推开这扇门的关键手柄之一。

## 常见问题解答 (FAQ)

### MaskSearch和普通RAG有什么区别？
普通RAG多在推理阶段接入检索，MaskSearch则把“检索+推理”前置到预训练中，通过RAMP任务训练模型主动搜索并补全关键信息，因此更强调内化搜索能力，而不只是外挂知识库。

### MaskSearch适合哪些应用场景？
文章提到它适合智能客服、教育辅导、企业级搜索系统，以及机器学习模型调试与优化等场景，尤其适合需要低幻觉、强检索和复杂问答能力的行业应用。

### MaskSearch训练方法有哪些亮点？
它结合SFT与强化学习，使用多智能体生成思维链数据，并采用DAPO动态采样策略和混合奖励系统；同时引入课程学习，按掩码数量分级训练难度，帮助模型循序提升。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
