WideSeek : Faire progresser la recherche étendue grâce à la mise à l'échelle multi-agent
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
L'intelligence de recherche évolue de la Recherche Profonde vers la Recherche Large, un paradigme essentiel pour récupérer et synthétiser des informations exhaustives sous contraintes complexes en parallèle. Cependant, les progrès dans ce domaine sont entravés par l'absence de benchmarks dédiés et de méthodologies d'optimisation pour l'élargissement de la recherche. Pour relever ces défis, nous explorons en profondeur la Recherche Large sous deux angles : le Pipeline de Données et l'Optimisation des Agents. Premièrement, nous produisons WideSeekBench, un benchmark général de recherche d'information large (GBIS) construit via un pipeline de données rigoureux en plusieurs phases pour garantir la diversité en termes de volume d'information cible, de contraintes logiques et de domaines. Deuxièmement, nous présentons WideSeek, une architecture hiérarchique dynamique à agents multiples pouvant générer automatiquement des sous-agents parallèles en fonction des exigences de la tâche. De plus, nous concevons un cadre d'entraînement unifié qui linéarise les trajectoires multi-agents et optimise le système grâce à l'apprentissage par renforcement (RL) de bout en bout. Les résultats expérimentaux démontrent l'efficacité de WideSeek et du RL multi-agents, soulignant que l'augmentation du nombre d'agents est une voie prometteuse pour faire progresser le paradigme de la Recherche Large.
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.