WideSeek: Avanzando en la Investigación Amplia mediante la Escalabilidad Multiagente
WideSeek: Advancing Wide Research via Multi-Agent Scaling
February 2, 2026
Autores: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu
cs.AI
Resumen
La inteligencia de búsqueda está evolucionando desde la Investigación Profunda hacia la Investigación Amplia, un paradigma esencial para recuperar y sintetizar información integral bajo restricciones complejas en paralelo. Sin embargo, el progreso en este campo se ve obstaculizado por la falta de benchmarks dedicados y metodologías de optimización para la amplitud de búsqueda. Para abordar estos desafíos, realizamos un análisis exhaustivo de la Investigación Amplia desde dos perspectivas: Pipeline de Datos y Optimización de Agentes. Primero, producimos WideSeekBench, un benchmark de Búsqueda General de Información Amplia (GBIS) construido mediante un pipeline de datos riguroso y multifásico para garantizar diversidad en el volumen de información objetivo, las restricciones lógicas y los dominios. En segundo lugar, presentamos WideSeek, una arquitectura dinámica de múltiples agentes jerárquicos que puede bifurcar autónomamente subagentes paralelos según los requisitos de la tarea. Además, diseñamos un marco de entrenamiento unificado que linealiza las trayectorias multiagente y optimiza el sistema utilizando RL de extremo a extremo. Los resultados experimentales demuestran la efectividad de WideSeek y el RL multiagente, destacando que escalar el número de agentes es una dirección prometedora para avanzar en el paradigma de la Investigación Amplia.
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.