论文指出，现有搜索增强LLM的结果奖励主要鼓励答对，却未充分惩罚检索失败后的编造，从而可能放大幻觉。作者提出拒答感知强化学习AWA-RL，根据问题先验能力与持续的在线训练观测动态调整拒答奖励，并提出RA-F1衡量能力与可靠性的权衡。报告显示，相比不拒答基线，精确率最高提升10.3个百分点，RA-F1提升2.9%，原始准确率仅小幅下降；代码、数据和模型权重已公开。
最近 24 小时暂无可用热度快照。