ReSum: Het Ontsluiten van Langetermijn Zoekintelligentie via Contextsamenvatting

Samenvatting

Large Language Model (LLM)-gebaseerde webagents vertonen sterke prestaties op kennisintensieve taken, maar worden belemmerd door beperkingen in het contextvenster binnen paradigma's zoals ReAct. Complexe queries met meerdere entiteiten, verweven relaties en hoge onzekerheid vereisen uitgebreide zoekcycli die snel het contextbudget uitputten voordat volledige oplossingen worden bereikt. Om deze uitdaging te overwinnen, introduceren we ReSum, een nieuw paradigma dat onbeperkte exploratie mogelijk maakt door periodieke contextsamenvatting. ReSum zet groeiende interactiegeschiedenissen om in compacte redeneertoestanden, waardoor het bewustzijn van eerdere ontdekkingen behouden blijft terwijl contextbeperkingen worden omzeild. Voor paradigma-aanpassing stellen we ReSum-GRPO voor, dat GRPO integreert met gesegmenteerde trajecttraining en voordeeluitzending om agents vertrouwd te maken met samenvatting-gestuurd redeneren. Uitgebreide experimenten met webagents van verschillende schalen over drie benchmarks tonen aan dat ReSum een gemiddelde absolute verbetering van 4,5\% biedt ten opzichte van ReAct, met verdere winsten tot 8,2\% na ReSum-GRPO-training. Opmerkelijk is dat ons WebResummer-30B (een ReSum-GRPO-getrainde versie van WebSailor-30B) met slechts 1K trainingsamples een Pass@1 van 33,3\% behaalt op BrowseComp-zh en 18,3\% op BrowseComp-en, waarmee het bestaande open-source webagents overtreft.

English

Large Language Model (LLM)-based web agents demonstrate strong performance on knowledge-intensive tasks but are hindered by context window limitations in paradigms like ReAct. Complex queries involving multiple entities, intertwined relationships, and high uncertainty demand extensive search cycles that rapidly exhaust context budgets before reaching complete solutions. To overcome this challenge, we introduce ReSum, a novel paradigm that enables indefinite exploration through periodic context summarization. ReSum converts growing interaction histories into compact reasoning states, maintaining awareness of prior discoveries while bypassing context constraints. For paradigm adaptation, we propose ReSum-GRPO, integrating GRPO with segmented trajectory training and advantage broadcasting to familiarize agents with summary-conditioned reasoning. Extensive experiments on web agents of varying scales across three benchmarks demonstrate that ReSum delivers an average absolute improvement of 4.5\% over ReAct, with further gains of up to 8.2\% following ReSum-GRPO training. Notably, with only 1K training samples, our WebResummer-30B (a ReSum-GRPO-trained version of WebSailor-30B) achieves 33.3\% Pass@1 on BrowseComp-zh and 18.3\% on BrowseComp-en, surpassing existing open-source web agents.

ReSum: Het Ontsluiten van Langetermijn Zoekintelligentie via Contextsamenvatting

ReSum: Unlocking Long-Horizon Search Intelligence via Context Summarization

Samenvatting

Support