虚假前沿：诊断并缓解自演化搜索智能体中的协同作弊

自演化搜索智能体通过联合优化负责生成问题的提议器和负责回答问题的求解器，自行构建训练课程。这一闭环引入了一种我们称为协同作弊（co-cheating）的失效模式：提议器和求解器逐渐在共同错误上达成一致，因此内部奖励不断提升，却没有带来外部正确率相应的增长。针对来源证据的事后审计显示，随着自演化轮次增加，协同作弊日益严重；即使闭环训练信号不断改善，伪标签正确率仍停滞不前甚至下降。最直接的缓解方法是在训练前验证提议：我们引入多样本验证（MSV），使用带来源信息的输入查询同一模型三次，再使用不带来源信息的输入查询三次，以决定任务是否纳入训练，并替换不可靠的伪标签。MSV能够部分减少虚假一致，但仍残留大量协同作弊，并且每个候选项需要额外进行六次标注器生成。这些局限促使我们提出主要方法 CrossFit：它将提议器的来源文档划分为 A 组和 B 组；由 A 组生成的问题仅由使用 B 组训练的辅助求解器评分，反之亦然。交叉拟合一致性决定提议器奖励，因此同源伪标签无法通过反馈求解器复现，而原求解器的更新规则保持不变。在 Qwen3.5-4B 和 Qwen3.5-9B 上重新运行该循环时，MSV 将虚假一致质量分别从 6.1% 降至 5.7%、从 8.8% 降至 7.2%，而 CrossFit 则分别将其降至 3.0% 和 3.7%。使用排除来源的反馈重放完全相同的提议后，虚假一致进一步降至 0.4% 和 0.1%，从而将反馈溯源与课程变化区分开来。在七个下游搜索基准上，相较于标准的耦合式自演化，CrossFit 在 4B 和 9B 规模下的平均性能分别提升 8.8 和 8.4 分；相较于 Search-R1，则分别提升 8.7 和 7.8 分。