WideSeek: Avançando a Pesquisa Ampla por Meio da Escalonagem Multiagente
WideSeek: Advancing Wide Research via Multi-Agent Scaling
February 2, 2026
Autores: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu
cs.AI
Resumo
A inteligência de busca está evoluindo da Pesquisa Profunda para a Pesquisa Ampla, um paradigma essencial para recuperar e sintetizar informações abrangentes sob restrições complexas em paralelo. No entanto, o progresso neste campo é dificultado pela falta de benchmarks dedicados e metodologias de otimização para a amplitude da busca. Para enfrentar esses desafios, investigamos profundamente a Pesquisa Ampla a partir de duas perspectivas: Pipeline de Dados e Otimização de Agentes. Primeiro, produzimos o WideSeekBench, um benchmark de Busca Geral por Informações Amplas (GBIS) construído por meio de um rigoroso pipeline de dados multifásico para garantir diversidade em volume de informação alvo, restrições lógicas e domínios. Em segundo lugar, introduzimos o WideSeek, uma arquitetura dinâmica hierárquica de multiagentes que pode bifurcar autonomamente subagentes paralelos com base nos requisitos da tarefa. Além disso, projetamos um framework de treinamento unificado que lineariza trajetórias de multiagentes e otimiza o sistema usando RL de ponta a ponta. Resultados experimentais demonstram a eficácia do WideSeek e do RL multiagente, destacando que a escalabilidade do número de agentes é uma direção promissora para avançar o paradigma da Pesquisa Ampla.
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.