一个数字开场：38.8 对 32.9。同一个 Qwen3-8B 底座、同一套检索环境，KnowGPO 在 BrowseComp-ZH 上比开源界事实标准 GRPO 多 5.9 分，GAIA 多 5.2 分，而且是唯一一个在四个 benchmark split 上全部上涨的 RL 方法——GiGPO 在 Xbench-2505 上反而跌了 2.0。【直引】
它的赌注一句话：长程搜索里，表面状态不可信——检索回来的东西又长又杂又噪音，模型内部的信心也忽高忽低。那就别看表面，看知识。把"要答对这个问题需要满足哪些原子条件"拆出来，用已满足条件的子集当轨迹状态；同状态的步骤归到一组里比较；相邻两步之间知识条件的净增，就是过程奖励。信用分配第一次锚在"智能体真正知道了什么"上。【判断】
拆开看，两个零件各有定价：只把增量知识增益加到 GRPO 上（不分组），四个 split 涨 1.0 到 2.8；再加上知识状态分组，再涨 1.0 到 4.2，BrowseComp-ZH 上最多。再把过程奖励从"知识增量"换成 GiGPO 的折扣未来回报，成绩掉 3.0 到 6.0——同样分组框架，奖励怎么定义，差出一截。混合系数扫过 0/0.3/0.5，0.3 是峰值，0.5 反而在三个 split 上退化。【直引】
分组质量有直接统计：500 个查询、每查询最多 16 次 rollout、5,922 条有效轨迹、55,571 步。按观测内容做锚点（BGE 余弦阈值 0.9），51.8% 的步能进非单例组；按知识状态做锚点，97.8%，单例率从 79.4% 压到 19.0%。同一批轨迹，换个锚点，可比性天上地下。8B 的分量也攒了家底：BrowseComp-ZH 38.8 超 WebSailor-32B 的 25.5、DeepDive-32B 的 29.7，只输最强的开源 32B（DeepMiner-RL 40.1）1.3 分。【直引】
两处需要点名的账：一是正文称 Xbench-2505 上"超出 MiroThinker-v1.0 达 12.6%"，但自家表格里 MiroThinker-v1.0-8b 是 60.6、KnowGPO 是 48.0——方向写反了，是落后。二是说 ω=0 时仍超过 GRPO，BC-ZH 成立（34.0 对 32.9），GAIA 不成立（34.0 对 35.0）。数字大体扎实，转述时别照抄这两句。【判断】
下一根钉子：知识条件靠 DeepSeek-v3.2 当验证器判定。验证器自己犯错时，整条信用链会朝错误的条件踏实前进。谁能测出"验证器噪声在多长的轨迹上被放大"，谁给 RL 的信号链系上安全带。