// 01 EAPO 是什么
来自通义实验室的长上下文推理训练方法
EAPO 的全称是 Evidence-Augmented Policy Optimization，论文题为《Evidence-Augmented Policy Optimization with Reward Co-Evolution for Long-Context Reasoning》。公开信息显示，该论文由 Xin Guan、Zijian Li、Shen Huang、Pengjun Xie、Jingren Zhou、Jiuxin Cao 等作者完成，研究主体与通义实验室、阿里巴巴集团相关。论文最早于 2026 年 1 月 15 日提交至 arXiv，2026 年 4 月 20 日更新到 v2 版本。
它不是面向普通用户的网页应用，而是一种面向大语言模型训练的强化学习框架。目标用户主要是大模型训练团队、长上下文推理研究人员、企业知识问答系统开发者，以及正在做 Deep Research、长文档问答、多文档推理和检索增强训练的技术团队。
它解决的问题
长上下文推理的难点不只是模型能不能读进更多 token，而是模型能否在长材料里找到真正支撑答案的证据。传统强化学习训练往往只根据最终答案给奖励，结果会出现一个问题：模型可能答案碰巧对了，但中间证据找错了，训练系统却无法有效惩罚这种“幸运猜测”。
EAPO 的核心价值就在于把监督信号从最终答案下沉到证据提取过程。它强调先抽取证据，再基于证据推理，试图让模型在长上下文任务中更可追溯、更少胡猜。这对法律文本分析、科研资料检索、企业知识库问答和复杂多文档研究都很重要。
核心能力
- 提出 Evidence-Augmented Reasoning 范式，将长上下文任务拆成证据提取和基于证据推理两个关键阶段。
- 通过 Tree-Structured Evidence Sampling 分析长上下文推理瓶颈，论文认为精确证据提取是决定性环节。
- 引入 Group-Relative Evidence Reward，由奖励模型对证据质量提供更密集的过程监督。
- 设计 Adaptive Reward-Policy Co-Evolution 机制，让奖励模型和策略模型在训练中协同迭代，降低奖励模型失准带来的误导。
- 论文在 8 个长上下文相关基准上做了综合评测，并报告 EAPO 相比多个 SOTA baseline 有明显提升。
- 适用方向集中在长上下文推理、证据检索、多文档问答和需要可解释依据的复杂任务。
如何使用
目前 EAPO 主要以论文形式公开，没有看到官方发布的完整产品官网、商业 API、开源训练代码或可直接下载的官方模型权重。开发者如果想使用 EAPO，更现实的路径是阅读 arXiv 技术论文，理解其训练范式，然后在自己的强化学习训练框架中复现相关思想。
- 先阅读 arXiv 论文，明确 Evidence-Augmented Reasoning 的数据组织方式。
- 准备长上下文问答或多文档推理数据，并标注或构造可验证证据。
- 训练或配置奖励模型，用于判断证据片段质量。
- 在 GRPO、PPO 或类似策略优化框架中加入证据奖励信号。
- 通过 outcome-consistent rollouts 迭代更新奖励模型和策略模型。
典型使用场景
在企业知识库问答中，模型需要从大量制度文档、合同条款或内部手册中找到依据，再生成答案。EAPO 这类方法可以帮助训练模型更重视证据位置，而不是直接凭语言模式猜答案。
在科研资料分析中，一个问题可能需要横跨多篇论文、实验表格和方法说明。EAPO 的证据增强思路适合用于训练研究型 Agent，让模型先锁定关键证据，再组织分析结论。
在法律或合规场景中，答案是否有依据比答案本身更重要。通过强化证据抽取过程，可以减少模型给出无出处结论的风险。
与同类方法的差异
EAPO 与普通 outcome reward 强化学习的差异在于，它不只奖励最终答案，而是显式奖励证据质量。相比单纯扩大上下文窗口或强化模型推理链，EAPO 更关注“证据是否找对”这个环节。对于长上下文任务来说，这个切入点比单纯要求模型多想几步更实用。
如果团队只是做短问答、数学题或普通聊天增强，EAPO 未必是最直接的方案。如果团队关注长文档、多材料、可追溯答案和 Deep Research 类任务，它的训练思路更值得参考。
价格与公开程度
EAPO 目前没有公开商业定价，也没有看到面向普通用户的付费产品入口。它更像一篇研究论文和训练方法，而不是 SaaS 工具。实际成本主要来自数据构造、奖励模型训练、策略模型训练和长上下文推理算力。
真实优势与局限
EAPO 的优势在于问题定义清晰，抓住了长上下文推理中“证据提取缺乏监督”这个关键瓶颈。它提供的不只是一个新奖励函数，而是一套从证据增强推理、证据奖励到奖励策略协同进化的完整训练思路。
局限也很明确。它目前公开形态主要是论文，缺少官方开源代码和可直接调用的产品接口。复现门槛较高，需要强化学习训练经验、长上下文数据、奖励模型和评测体系。对于普通用户或只想找现成 AI 工具的人来说，EAPO 不适合直接使用；对于训练长上下文推理模型的团队，它才是有价值的方法参考。
