// 01 MaskSearch 是什么
一、什么是 MaskSearch？
MaskSearch是阿里巴巴与清华、华中科技大学团队联合提出的一种新型通用预训练框架，旨在增强大型语言模型（LLMs）的“agentic search能力”，即自主检索与推理能力。
其核心是引入一种创新预训练任务——检索增强蒙版预测（Retrieval-Augmented Mask Prediction, RAMP）。在该任务中，模型需要通过主动查询工具，从外部知识库检索信息并填补遮蔽文本，训练过程中无需额外监督标注，仅借助公开文本和搜索工具即可大规模构建高质量训练数据。
二、为何要选择 MaskSearch？
选择 MaskSearch 可带来以下优势：
通用搜索推理能力：RAMP 使模型具备跨领域、多跳查找与整合能力，适用于开放域问答场景。
无需领域标签训练：训练仅依赖公开文本和检索系统，无需人工标注问答对，节省成本。
双阶段预训练结构：先 SFT 获得基本能力后使用 RLHF 强化推理质量与格式，通用性与表现稳步提升。
- 课程式训练策略：从简单掩码到复杂多掩码逐步教学，提升训练稳定性和学习效率。
- 大规模评测验证：在 HotpotQA、FanoutQA 等多跳问答数据集上均表现优异，验证框架的可迁移性
三、如何使用 MaskSearch？
3.1 环境搭建与资源获取
下载代码和模型：参照 arXiv 论文获取 GitHub 仓库地址arxiv.org。
配置依赖：安装 Python、PyTorch、检索引擎（如 Elasticsearch）及可连接的互联网检索 API。
3.2 构建 RAMP 训练任务
数据准备：从维基百科等文本语料抽取悬念 span，并随机遮蔽一到四个实体或片段。
预训练执行：模型结合检索模块执行查询，生成链式思维路径（CoT）并填补遮蔽内容。
3.3 使用监督微调（SFT）
数据生成器训练：基于多 agent（planner, observer, rewriter）生成CoT语料作为监督数据，逐步蒸馏模型。
3.4 强化学习（RLHF）优化
DAPO 引导训练：结合答案与格式奖励机制，微调模型进行高质量生成。
3.5 下游任务测试
将 MaskSearch fine-tuned 模型进行 HotpotQA、多跳检索问答测试，验证效果提升。
四、技术核心详解
4.1 RAMP 任务设计
通过检索填补遮蔽文本，不仅训练模型理解上下文，还强化其主动查询与工具使用能力。
4.2 多 Agent CoT 数据构造
利用 planner、rewriter、observer 等 agent，生成高质量链式思维语料，提升训练效果。
4.3 DAPO 强化训练
结合格式化与准确性奖励，保证生成结果的逻辑准确且符合模板要求。
4.4 课程式训练策略
采用从简单到复杂的掩码训练，提高模型泛化能力和训练效率。
五、典型应用场景
多跳问答系统：HotpotQA 和类似任务显著提升跨文档推理能力。
实时信息增强助手：通过检索工具动态获取事实，提高回答准确性。
AI 问答机器人：新闻解读、知识检索工具提升问答体验。
复杂任务指令执行：增强模型依赖外部知识解决步骤较多任务的能力。
开源研究平台示例：为 LLM 检索机制设计提供基础框架参考。
// 02 核心 功能
- 核心定位MaskSearch——一款由阿里巴巴发布的 新型通用预训练框架，采用 RAMP 任务强化检索推理能力，支持 SFT 与 RLHF 多阶训练，广泛适用于多跳问答及开放域问答系统。
- 分类索引当前归档在 AI 编程，方便和同频工具横向比较。
- 能力标签关联标签包括 AI问答机器人。
- 使用入口已记录可访问入口，可通过本页主按钮跳转。
// 03 使用 场景
- 快速判断是否适合当前任务结合 AI 编程 定位和 AI问答机器人 标签，先判断它是否匹配你的工作流。
- 横向比较同类工具从相同分类和标签继续探索替代工具，减少只看单个产品带来的选择偏差。
- 沉淀工具选型资料把官网入口、平台、版本和 NavXD 标签合并成一页，适合做选型记录或团队分享。
