FineVerify: エージェント検索のための細粒度自己検証によるテスト時計算のスケーリング

要旨

エージェント検索では、言語モデルエージェントが多数の情報源を探索し、複雑な情報要求質問に回答する必要があります。テスト時計算の拡大はこれらのエージェントを改善する有望な方法ですが、現在のアプローチは失敗することがあります。なぜなら、正解がしばしば疎であり、スコアに基づく選択がモデルのキャリブレーションに依存するからです。我々はFineVerifyを提案します。これは細粒度の自己検証フレームワークであり、各質問をチェック可能なサブ質問に分解し、サンプリングされた候補を各サブ質問に対して検証し、最も高い集約スコアを持つ候補を選択します。このチェックごとの構造は、選択をより単純な局所的な判断に変え、同じ明示的な基準の下でスコアを生成します。4つのエージェント検索ベンチマークと2つのモデルにおいて、FineVerifyは一貫して標準的なスケーリングベースラインを上回ります。わずか4つのサンプリング軌道で、GPT-5-miniの精度を8.2ポイント向上させ、Gemini-3-flashでは平均5.6%の改善を達成します。12サンプルでは、FineVerifyによりGPT-5-miniがBrowseComp-PlusにおいてフロンティアモデルであるGPT-5を上回ることが可能になります。精度に加えて、FineVerifyは解釈可能な検証トレースを生成し、ベンチマークエラーの監査に役立ち、エージェント検索システムを検査するためのより広範な応用を示唆します。コードとデータはhttps://github.com/XuZhao0/fineverifyで入手可能です。

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