WideSeek: 다중 에이전트 확장을 통한 광역 연구의 발전

WideSeek: Advancing Wide Research via Multi-Agent Scaling

February 2, 2026

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

cs.AI

초록

검색 인텔리전스는 심층 연구에서 광역 연구로 진화하고 있으며, 이는 복잡한 제약 조건 하에서 포괄적인 정보를 병렬적으로 검색 및 종합하기 위한 필수 패러다임입니다. 그러나 이 분야의 발전은 검색 폭에 대한 전용 벤치마크와 최적화 방법론의 부재로 인해 저해되고 있습니다. 이러한 과제를 해결하기 위해 우리는 데이터 파이프라인과 에이전트 최적화라는 두 가지 관점에서 광역 연구를 심층적으로 분석합니다. 먼저, 목표 정보량, 논리적 제약 조건, 도메인 간 다양성을 보장하기 위해 엄격한 다단계 데이터 파이프라인을 통해 구축된 일반 광역 정보 탐색 벤치마크인 WideSeekBench를 제작합니다. 둘째, 작업 요구사항에 따라 병렬 하위 에이전트를 자율적으로 분기할 수 있는 동적 계층적 다중 에이전트 아키텍처인 WideSeek을 소개합니다. 더 나아가 다중 에이전트 트래젝토리를 선형화하고 종단 간 강화학습을 통해 시스템을 최적화하는 통합 훈련 프레임워크를 설계합니다. 실험 결과는 WideSeek과 다중 에이전트 강화학습의 효과를 입증하며, 에이전트 수의 확장이 광역 연구 패러다임 발전을 위한 유망한 방향임을 강조합니다.

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.