FineVerify : Mise à l’échelle du calcul en temps de test grâce à une auto-vérification fine pour la recherche agentique

Résumé

La recherche agentique nécessite que des agents basés sur des modèles de langage explorent de nombreuses sources et répondent à des questions complexes de recherche d'informations. L'augmentation du calcul en phase de test est une voie prometteuse pour améliorer ces agents, mais les approches actuelles peuvent échouer, car les réponses correctes sont souvent rares et la sélection basée sur des scores dépend de la calibration du modèle. Nous proposons FineVerify, un cadre d'auto-vérification fine qui décompose chaque question en sous-questions vérifiables, vérifie les candidats échantillonnés pour chaque sous-question, et sélectionne le candidat avec le score agrégé le plus élevé. Cette structure par vérification transforme la sélection en jugements locaux plus simples et produit des scores sous les mêmes critères explicites. Sur quatre benchmarks de recherche agentique et deux modèles, FineVerify surpasse systématiquement les bases de référence standard de mise à l'échelle. Avec seulement quatre trajectoires échantillonnées, il améliore GPT-5-mini de 8,2 points de précision et Gemini-3-flash de 5,6 % en moyenne. Avec 12 échantillons, FineVerify permet à GPT-5-mini de surpasser le modèle frontalier GPT-5 sur BrowseComp-Plus. Au-delà de la précision, FineVerify produit des traces de vérification interprétables qui aident à auditer les erreurs des benchmarks, suggérant des applications plus larges pour l'inspection des systèmes de recherche agentique. Le code et les données sont disponibles sur 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