Chercheur approfondi avec diffusion au moment du test

papers.abstract

Les agents de recherche approfondie, alimentés par des modèles de langage à grande échelle (LLMs), progressent rapidement ; cependant, leurs performances plafonnent souvent lors de la génération de rapports de recherche complexes et détaillés en utilisant des algorithmes de mise à l'échelle génériques au moment du test. S'inspirant de la nature itérative de la recherche humaine, qui implique des cycles de recherche, de raisonnement et de révision, nous proposons le Test-Time Diffusion Deep Researcher (TTD-DR). Ce cadre novateur conceptualise la génération de rapports de recherche comme un processus de diffusion. Le TTD-DR initie ce processus avec un brouillon préliminaire, une structure modifiable qui sert de fondation évolutive pour guider la direction de la recherche. Ce brouillon est ensuite affiné de manière itérative à travers un processus de "débruitage", dynamiquement informé par un mécanisme de récupération qui intègre des informations externes à chaque étape. Le processus central est en outre amélioré par un algorithme d'auto-évolution appliqué à chaque composant du flux de travail agentique, garantissant la génération d'un contexte de haute qualité pour le processus de diffusion. Cette conception centrée sur le brouillon rend le processus de rédaction de rapports plus opportun et cohérent, tout en réduisant la perte d'information lors du processus de recherche itératif. Nous démontrons que notre TTD-DR obtient des résultats de pointe sur une large gamme de benchmarks nécessitant une recherche intensive et un raisonnement multi-saut, surpassant significativement les agents de recherche approfondie existants.

English

Deep research agents, powered by Large Language Models (LLMs), are rapidly advancing; yet, their performance often plateaus when generating complex, long-form research reports using generic test-time scaling algorithms. Drawing inspiration from the iterative nature of human research, which involves cycles of searching, reasoning, and revision, we propose the Test-Time Diffusion Deep Researcher (TTD-DR). This novel framework conceptualizes research report generation as a diffusion process. TTD-DR initiates this process with a preliminary draft, an updatable skeleton that serves as an evolving foundation to guide the research direction. The draft is then iteratively refined through a "denoising" process, which is dynamically informed by a retrieval mechanism that incorporates external information at each step. The core process is further enhanced by a self-evolutionary algorithm applied to each component of the agentic workflow, ensuring the generation of high-quality context for the diffusion process. This draft-centric design makes the report writing process more timely and coherent while reducing information loss during the iterative search process. We demonstrate that our TTD-DR achieves state-of-the-art results on a wide array of benchmarks that require intensive search and multi-hop reasoning, significantly outperforming existing deep research agents.

Chercheur approfondi avec diffusion au moment du test

Deep Researcher with Test-Time Diffusion

papers.abstract

Support