FineVerify: Escalando el Cómputo en Tiempo de Prueba con Autoverificación de Grano Fino para Búsqueda Agentiva

Resumen

La búsqueda agentiva requiere que los agentes de modelos de lenguaje exploren múltiples fuentes y respondan preguntas complejas de búsqueda de información. Escalar el cómputo en tiempo de prueba es un enfoque prometedor para mejorar estos agentes, pero los métodos actuales pueden fallar, ya que las respuestas correctas suelen ser escasas y la selección basada en puntuaciones depende de la calibración del modelo. Proponemos FineVerify, un marco de autoverificación detallada que descompone cada pregunta en subpreguntas verificables, verifica los candidatos muestreados respecto a cada subpregunta y selecciona el candidato con la puntuación agregada más alta. Esta estructura de verificación por elemento convierte la selección en juicios locales más simples y produce puntuaciones bajo los mismos criterios explícitos. En cuatro puntos de referencia de búsqueda agentiva y dos modelos, FineVerify supera consistentemente a las líneas base estándar de escalado. Con solo cuatro trayectorias muestreadas, mejora a GPT-5-mini en 8.2 puntos de precisión y a Gemini-3-flash en un 5.6% en promedio. Con 12 muestras, FineVerify permite que GPT-5-mini supere al GPT-5 de frontera en BrowseComp-Plus. Más allá de la precisión, FineVerify genera trazas de verificación interpretables que ayudan a auditar errores en los puntos de referencia, lo que sugiere aplicaciones más amplias para la inspección de sistemas de búsqueda agentiva. El código y los datos están disponibles en https://github.com/XuZhao0/fineverify.

English

Agentic search requires language model agents to explore many sources and answer complex information-seeking questions. Scaling test-time compute is a promising way to improve these agents, but current approaches can fail, because correct answers are often sparse and score-based selection depends on model calibration. We propose FineVerify, a fine-grained self-verification framework that decomposes each question into checkable sub-questions, verifies sampled candidates against each sub-question, and selects the candidate with the highest aggregated score. This per-check structure turns selection into simpler local judgments and produces scores under the same explicit criteria. Across four agentic search benchmarks and two models, FineVerify consistently outperforms standard scaling baselines. With only four sampled trajectories, it improves GPT-5-mini by 8.2 accuracy points and Gemini-3-flash by 5.6% on average. With 12 samples, FineVerify enables GPT-5-mini to surpass frontier GPT-5 on BrowseComp-Plus. Beyond accuracy, FineVerify produces interpretable verification traces that help audit benchmark errors, suggesting broader applications for inspecting agentic search systems. Code and data are available at https://github.com/XuZhao0/fineverify