这些问题导致现有模型要么答案不准、可靠性差，要么工具调用过多、效率低下，难以同时满足推理准确和高效执行的核心需求。 如今，以 DeepSeek-R1 为代表的深度思考大模型能够处理复杂的推理任务，而DeepSearch 作为深度思考大模型的核心搜索器，在推理过程中通过迭代调用外部搜 索工具，访问参数边界之外的最新、领域特定知识，从而提升推理的深度和事实可靠性。 然而， 现有的 RL 驱动的深度思考大模型系统常常面临准确率与效率的「 跷跷板」困境：频繁调用搜索工具提升准确性，却带来计算开销和效率低下 。具体而 言，高频调用外部搜索工具虽能补充实时信息、提升推理准确率，但使得推理延迟大幅升高，等待时间可达几十秒至几分钟。从 用户体验角度来看，若信息加载 时间超过 10 秒，50% 的移动用户会放弃访问 。 北邮百家 AI 团队提出 LightSearcher 框架 ，首创基于经验记忆的高效 RL 优化技术，通过引入文本化经验记忆和自适应奖励塑造机制，巧妙解决了这一痛点。 在保持与 SOTA 基线 ReSearch 相当准确率的同时，搜索工具调用和模型回复时间显著缩短， 搜索工具调用次数减少 39.6%，推理时间缩 ...