小红书精读：When Should Multi-Round RAG Stop? Structured Stopping Judgments and Retrieval Reduction in Search-R1

多轮RAG何时停？结构化裁判省3.7%检索

各位算法同学们，多轮RAG搜到什么时候该停？这篇工作用了一个2B小裁判，让Search-R1少检索77次，EM只掉0.6个点。最反直觉的是：它把停止建模成序列选择，而不是独立状态分类，所以哪怕状态排序变好了，线上策略也可能更差。对做自适应检索的人来说，这个坑必须知道。

📄 When Should Multi-Round RAG Stop? Structured Stopping Judgments and Retrieval Reduction in Search-R1

🔧 核心创新是把S2G-RAG的结构化“充分性+缺失信息”判断迁移到冻结的Search-R1流程上，只训练一个Qwen3.5-2B的judge，不改reasoner、retriever、搜索预算。 🧩 Judge输出sufficient布尔值和gap_items列表，在线策略只用布尔字段的log-prob margin作为停止信号，结构化目标只用来正则化训练，避免早期误判。 ⚙️ 论文强调停止是轨迹级问题：策略由每条轨迹上第一个阈值交叉决定，状态分类指标再好看，也不代表线上安全，所以必须分开评估reachability、state ranking和first crossing。

📊 在800题的confirmatory测试集上，检索调用从2081降到2004，绝对减少77次，相对降3.70%。 📈 官方EM从0.44875降到0.44250，差值为−0.00625，损失0.625个百分点，95%区间上限是0，落在预先设定的允许损失2个百分点以内。 ✅ 69个early stop里42个安全、27个不安全，unsafe比例39.13%，验证时的STOP precision从0.9091掉到0.6216，说明这个策略远不算安全停止。

这篇真正有价值的地方在于把“省检索”和“省总推理成本”彻底拆开：judge自己也要算计算量，论文只报检索次数减少，没敢报总效率。落地时建议盯EM差值的置信区间和early-stop风险比例，纯看检索降幅容易被误导。对做RAG自适应停止的人是个干净的可复现基线，但想直接上生产还得加校准或风险控制。

原文：AlphaXiv