Explore para Evoluir: Escalonando a Lógica de Agregação Evoluída por meio de Exploração Online Proativa para Agentes de Pesquisa Profunda

Explore to Evolve: Scaling Evolved Aggregation Logic via Proactive Online Exploration for Deep Research Agents

October 16, 2025

Autores: Rui Wang, Ce Zhang, Jun-Yu Ma, Jianshu Zhang, Hongru Wang, Yi Chen, Boyang Xue, Tianqing Fang, Zhisong Zhang, Hongming Zhang, Haitao Mi, Dong Yu, Kam-Fai Wong

cs.AI

Resumo

Agentes de pesquisa profunda na web não apenas recuperam informações de diversas fontes, como ambientes web, arquivos e entradas multimodais, mas, mais importante, precisam analisar e agregar conhecimento de forma rigorosa para realizar pesquisas perspicazes. No entanto, os agentes de pesquisa profunda de código aberto existentes focam predominantemente em aprimorar as capacidades de busca de informações dos agentes web para localizar dados específicos, enquanto negligenciam a necessidade essencial de agregação de informações, o que limitaria sua capacidade de apoiar pesquisas aprofundadas. Propomos um paradigma de Explorar para Evoluir para construir de forma escalável dados de treinamento verificáveis para agentes web. Começando com uma exploração online proativa, um agente coleta informações fundamentadas ao explorar a web real. Usando as evidências coletadas, o agente então auto-evolui um programa de agregação ao selecionar, compor e refinar operações de 12 tipos lógicos de alto nível para sintetizar um par de perguntas e respostas (QA) verificável. Essa evolução de orientações de alto nível para operações concretas nos permitiu produzir de forma escalável o WebAggregatorQA, um conjunto de dados com 10 mil amostras em 50 mil sites e 11 domínios. Com base em um framework de agente de código aberto, SmolAgents, coletamos trajetórias de ajuste fino supervisionado para desenvolver uma série de modelos fundamentais, o WebAggregator. O WebAggregator-8B iguala o desempenho do GPT-4.1, enquanto a variante de 32B supera o GPT-4.1 em mais de 10% no GAIA-text e se aproxima do Claude-3.7-sonnet. Além disso, dada a disponibilidade limitada de benchmarks que avaliam as habilidades de agregação de informações de agentes web, construímos uma divisão de avaliação anotada manualmente do WebAggregatorQA como um conjunto de testes desafiador. Nesse benchmark, o Claude-3.7-sonnet alcança apenas 28%, e o GPT-4.1 marca 25,8%. Mesmo quando os agentes conseguem recuperar todas as referências, eles ainda lutam no WebAggregatorQA, destacando a necessidade de fortalecer as capacidades de agregação de informações das bases dos agentes web.

English

Deep research web agents not only retrieve information from diverse sources such as web environments, files, and multimodal inputs, but more importantly, they need to rigorously analyze and aggregate knowledge for insightful research. However, existing open-source deep research agents predominantly focus on enhancing information-seeking capabilities of web agents to locate specific information, while overlooking the essential need for information aggregation, which would limit their ability to support in-depth research. We propose an Explore to Evolve paradigm to scalably construct verifiable training data for web agents. Begins with proactive online exploration, an agent sources grounded information by exploring the real web. Using the collected evidence, the agent then self-evolves an aggregation program by selecting, composing, and refining operations from 12 high-level logical types to synthesize a verifiable QA pair. This evolution from high-level guidance to concrete operations allowed us to scalably produce WebAggregatorQA, a dataset of 10K samples across 50K websites and 11 domains. Based on an open-source agent framework, SmolAgents, we collect supervised fine-tuning trajectories to develop a series of foundation models, WebAggregator. WebAggregator-8B matches the performance of GPT-4.1, while the 32B variant surpasses GPT-4.1 by more than 10% on GAIA-text and closely approaches Claude-3.7-sonnet. Moreover, given the limited availability of benchmarks that evaluate web agents' information aggregation abilities, we construct a human-annotated evaluation split of WebAggregatorQA as a challenging test set. On this benchmark, Claude-3.7-sonnet only achieves 28%, and GPT-4.1 scores 25.8%. Even when agents manage to retrieve all references, they still struggle on WebAggregatorQA, highlighting the need to strengthen the information aggregation capabilities of web agent foundations.