在AI编程领域，一个长期被忽视的问题正引发技术变革：超过半数的计算资源消耗在代码搜索环节，而非实际编写代码。蚂蚁集团在ACL 2026 Findings会议上发表的最新研究显示，其开发的FuseSearch-4B模型通过创新搜索策略，在代码定位任务中实现与商用闭源大模型相当的精度，同时推理速度提升93.6%，计算成本降低68.9%。
传统代码定位方案存在显著缺陷。现有技术路线主要分为两类：一类依赖单一工具逐步缩小搜索范围，另一类采用固定并行策略同时调用多个工具。前者因轮次限制导致信息收集不足，后者则因盲目并行产生34.9%的冗余调用。这种"信息匮乏"与"资源浪费"的矛盾，成为制约AI编程效率的关键瓶颈。
研究团队提出的解决方案颠覆了传统思维。FuseSearch采用极简工具架构，仅包含文件搜索（glob）、内容检索（grep）和文件读取（read_file）三个基础工具。这种设计突破语言限制，可无缝部署于任何代码仓库，且无需依赖知识图谱或语法解析器等重型基础设施。其核心创新在于引入"信息增益"评估体系，通过量化每次搜索的新发现比例，动态调整并行策略。
模型训练采用独特的两阶段方法。在监督微调阶段，研究人员从GitHub仓库提取2.1万个高质量修复案例，筛选出6000条兼具定位精度和工具效率的轨迹数据，使模型掌握基础并行能力。强化学习阶段则设计精妙奖励函数，将定位准确率与工具效率的乘积作为关键指标，迫使模型在搜索过程中自主权衡广度与深度。这种训练机制使模型自动演化出"先撒网后收网"的搜索模式：初期并行调用多个工具快速覆盖候选区域，后期集中资源验证关键路径。
实验数据显示显著优势。在SWE-bench Verified基准测试中，FuseSearch-4B以84.7%的文件级F1分数比肩Claude Haiku 4.5，而参数规模仅为后者的百分之一。与开源模型RepoSearcher相比，其定位准确率提升102%，搜索速度加快16倍，Token消耗减少69%。当作为前置搜索引擎接入Kimi-K2-Instruct时，在保持修复效果的同时将整体成本削减47%。
这项研究为AI编程工具开发开辟新路径。学术层面，首次将搜索效率转化为可训练目标，为Agent工具调用策略提供新范式；工程层面，极简架构实现零部署成本，代码已开源支持即时应用；产业层面，证明小模型通过策略优化可达到商用大模型性能，为成本敏感型场景提供可行方案。该成果已通过GitHub平台公开，包含完整模型实现与训练数据集。
