FineVerify: Escalando a Computação em Tempo de Teste com Auto-Verificação de Granulação Fina para Busca Agentiva

Resumo

A busca agentiva exige que agentes de linguagem explorem múltiplas fontes e respondam a perguntas complexas de obtenção de informação. Ampliar a computação em tempo de teste é uma abordagem promissora para aprimorar esses agentes, mas as estratégias atuais podem falhar, pois respostas corretas são frequentemente esparsas e a seleção baseada em pontuação depende da calibragem do modelo. Propomos o FineVerify, uma estrutura de autoverificação de granularidade fina que decompõe cada pergunta em subquestões verificáveis, verifica candidatos amostrados em relação a cada subquestão e seleciona o candidato com a maior pontuação agregada. Essa estrutura por verificação transforma a seleção em julgamentos locais mais simples e produz pontuações sob os mesmos critérios explícitos. Em quatro referenciais de busca agentiva e dois modelos, o FineVerify supera consistentemente as linhas de base padrão de escalonamento. Com apenas quatro trajetórias amostradas, ele melhora o GPT-5-mini em 8,2 pontos de acurácia e o Gemini-3-flash em 5,6% em média. Com 12 amostras, o FineVerify permite que o GPT-5-mini supere o GPT-5 de fronteira no BrowseComp-Plus. Além da acurácia, o FineVerify produz traços de verificação interpretáveis que auxiliam na auditoria de erros nos referenciais, sugerindo aplicações mais amplas para inspeção de sistemas de busca agentiva. Código e dados estão disponíveis em https://github.com/XuZhao0/fineverify.

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