Les universités du Zhejiang et de Pékin proposent SPADER pour le QA à réponses multiples

Des chercheurs des universités du Zhejiang et de Pékin ont publié SPADER, une méthode d'apprentissage par renforcement pour les questions qui admettent plus d'une réponse correcte. Le travail est accepté dans le programme principal d'EMNLP 2026. L'annonce de Jiqizhixin ne contient pour l'instant ni benchmarks ni tableaux : on ne peut donc évaluer que l'idée et la formulation du problème. Le gain annoncé en chiffres devra être vérifié dans l'article lui-même.

Le problème : le modèle ne cite que l'évident

En multi-answer QA, il faut renvoyer l'ensemble complet des réponses : tous les films d'un réalisateur, tous les pays qui remplissent une condition, tous les médicaments d'une classe donnée. Les métriques se calculent généralement sur tout l'ensemble, et le rappel compte autant que la précision. Un pipeline RL standard, avec une récompense pour la justesse, pousse le modèle vers une stratégie prudente. Il cite deux ou trois des réponses les plus fréquentes, touche sa récompense et cesse de chercher. Les réponses rares de la « longue traîne » restent hors champ.

C'est précisément ce biais que les auteurs placent dans le titre : SPADER signifie Step-wise Peer Advantage with Diversity-Aware Exploration Rewards. Le nom renferme deux techniques.

Ce que contient SPADER

GRPO (Group Relative Policy Optimization) se passe d'un modèle critique distinct. Pour une question donnée, on génère un groupe de réponses, et l'avantage de chacune se calcule par rapport aux autres membres du groupe. D'après le nom et le titre de l'annonce, SPADER rend ce calcul pas à pas : la comparaison entre « voisins » (peer advantage) porte non seulement sur le résultat final, mais aussi sur les étapes du raisonnement ou de la recherche. Pour une longue chaîne, le signal devient plus dense. Le modèle voit à quelle étape il a trouvé une nouvelle réponse, et à quelle étape il a fait du surplace.

Le second composant est une récompense qui tient compte de la diversité (diversity-aware exploration reward). Elle favorise les trouvailles différentes de celles déjà obtenues, et pousse ainsi la politique à explorer la queue de la distribution. L'annonce ne divulgue ni la formule exacte, ni la façon de mesurer la diversité, ni le poids de cette récompense.

Ce que l'on sait à ce jour

• Auteurs : équipes de l'université du Zhejiang et de l'université de Pékin
• Venue : EMNLP 2026, Main Conference
• Tâche : systèmes de questions-réponses à plusieurs réponses correctes
• Algorithme : GRPO avec calcul pas à pas de l'avantage entre trajectoires « voisines »
• Récompense : bonus pour la diversité des réponses trouvées
• Métriques, modèles de base et ampleur du gain : non indiqués dans le fragment disponible

Où cela peut servir

Les tâches à réponses multiples se rencontrent dans la recherche d'entreprise, la collecte de faits pour l'analytique, les notes juridiques et médicales, ainsi que dans les systèmes RAG, où une liste incomplète est pire qu'un honnête « je ne sais pas ». Si SPADER apporte un gain net de rappel sans perte de précision, la méthode intéressera les équipes qui affinent des modèles par RL sur leurs propres données. GRPO est déjà devenu un outil courant pour ce type d'affinage, et le schéma pas à pas ne requiert pas de critique distinct.

Avant d'adopter quoi que ce soit, quatre points sont à vérifier dans l'article. Premier point : sur quels jeux de données et avec quels modèles le résultat a été obtenu. Deuxième point : comment évolue l'équilibre entre rappel et précision, car une récompense de diversité encourage facilement l'invention de réponses superflues. Troisième point : de combien de fois les coûts d'entraînement augmentent à cause du calcul pas à pas. Quatrième point : le code est-il ouvert ? Tant que ces données manquent, SPADER reste une idée de recherche intrigante, et non une recette prête à l'emploi.