WideSeek：マルチエージェント・スケーリングによる広域研究の推進

WideSeek: Advancing Wide Research via Multi-Agent Scaling

February 2, 2026

著者: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu

cs.AI

要旨

検索インテリジェンスは、Deep Research（深層探索）からWide Research（広域探索）へと進化を遂げつつある。このパラダイムは、複雑な制約条件下で並列的に包括的な情報を検索・統合するために不可欠である。しかし、検索の広さに特化したベンチマークと最適化手法の不足により、この分野の進展は妨げられている。こうした課題に対処するため、我々はデータパイプラインとエージェント最適化の二つの観点からWide Researchを詳細に検討する。まず、多段階の厳密なデータパイプラインを通じて構築された汎用広域情報探索（GBIS）ベンチマーク「WideSeekBench」を構築し、対象情報量、論理的制約、領域の多様性を確保した。次に、タスク要件に基づいて並列サブエージェントを自律的に分岐できる動的な階層型マルチエージェントアーキテクチャ「WideSeek」を提案する。さらに、マルチエージェントの軌跡を線形化し、エンドツーエンドの強化学習（RL）を用いてシステムを最適化する統一訓練フレームワークを設計する。実験結果はWideSeekとマルチエージェントRLの有効性を示し、エージェント数のスケーリングがWide Researchパラダイムを推進する有望な方向性であることを明らかにした。

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.