WideSeek: Förderung breiter Forschung durch Multi-Agenten-Skalierung
WideSeek: Advancing Wide Research via Multi-Agent Scaling
February 2, 2026
papers.authors: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu
cs.AI
papers.abstract
Die Suchintelligenz entwickelt sich von der Tiefenrecherche zur Breitenrecherche, einem Paradigma, das für das parallele Abrufen und Synthetisieren umfassender Informationen unter komplexen Randbedingungen entscheidend ist. Dennoch wird der Fortschritt auf diesem Gebiet durch das Fehlen spezieller Benchmarks und Optimierungsmethoden für die Suchbreite behindert. Um diese Herausforderungen zu bewältigen, untersuchen wir die Breitenrecherche aus zwei Perspektiven: Datenpipeline und Agentenoptimierung. Erstens stellen wir WideSeekBench vor, einen Benchmark für allgemeine breit angelegte Informationssuche (General Broad Information Seeking, GBIS), der durch eine rigorose mehrstufige Datenpipeline erstellt wurde, um Diversität in Bezug auf Informationsumfang, logische Randbedingungen und Domänen sicherzustellen. Zweitens führen wir WideSeek ein, eine dynamische hierarchische Multi-Agenten-Architektur, die basierend auf Aufgabenanforderungen autonom parallele Sub-Agenten erzeugen kann. Darüber hinaus entwerfen wir ein einheitliches Trainingsframework, das Multi-Agenten-Trajektorien linearisiert und das System durch end-to-end Reinforcement Learning optimiert. Experimentelle Ergebnisse demonstrieren die Wirksamkeit von WideSeek und Multi-Agenten-Reinforcement-Learning und zeigen, dass die Skalierung der Anzahl von Agenten eine vielversprechende Richtung für die Weiterentwicklung des Breitenrecherche-Paradigmas darstellt.
English
Search intelligence is evolving from Deep Research to Wide Research, a paradigm essential for retrieving and synthesizing comprehensive information under complex constraints in parallel. However, progress in this field is impeded by the lack of dedicated benchmarks and optimization methodologies for search breadth. To address these challenges, we take a deep dive into Wide Research from two perspectives: Data Pipeline and Agent Optimization. First, we produce WideSeekBench, a General Broad Information Seeking (GBIS) benchmark constructed via a rigorous multi-phase data pipeline to ensure diversity across the target information volume, logical constraints, and domains. Second, we introduce WideSeek, a dynamic hierarchical multi-agent architecture that can autonomously fork parallel sub-agents based on task requirements. Furthermore, we design a unified training framework that linearizes multi-agent trajectories and optimizes the system using end-to-end RL. Experimental results demonstrate the effectiveness of WideSeek and multi-agent RL, highlighting that scaling the number of agents is a promising direction for advancing the Wide Research paradigm.