WideSeek: Avanzare nella Ricerca Ampia tramite Scalabilità Multi-Agente
WideSeek: Advancing Wide Research via Multi-Agent Scaling
February 2, 2026
Autori: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu
cs.AI
Abstract
L'intelligenza di ricerca si sta evolvendo dalla Ricerca Profonda alla Ricerca Ampia, un paradigma essenziale per recuperare e sintetizzare informazioni complete sotto vincoli complessi in parallelo. Tuttavia, i progressi in questo campo sono ostacolati dalla mancanza di benchmark dedicati e metodologie di ottimizzazione per l'ampiezza della ricerca. Per affrontare queste sfide, analizziamo approfonditamente la Ricerca Ampia da due prospettive: Pipeline dei Dati e Ottimizzazione degli Agenti. In primo luogo, produciamo WideSeekBench, un benchmark per la Ricerca Generale di Informazioni Ampie (GBIS) costruito attraverso una rigorosa pipeline di dati multi-fase per garantire diversità in termini di volume di informazioni target, vincoli logici e domini. In secondo luogo, introduciamo WideSeek, un'architettura dinamica multi-agente gerarchica in grado di generare autonomamente sotto-agenti paralleli in base ai requisiti del compito. Inoltre, progettiamo un framework di training unificato che linearizza le traiettorie multi-agente e ottimizza il sistema utilizzando RL end-to-end. I risultati sperimentali dimostrano l'efficacia di WideSeek e del RL multi-agente, evidenziando come la scalabilità del numero di agenti sia una direzione promettente per far avanzare il paradigma della Ricerca Ampia.
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.