WideSeek: Расширение возможностей широких исследований за счет масштабирования мультиагентных систем
WideSeek: Advancing Wide Research via Multi-Agent Scaling
February 2, 2026
Авторы: Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu, Shizhu He, Jun Zhao, Kang Liu
cs.AI
Аннотация
Поисковый интеллект эволюционирует от Глубокого поиска к Широкому поиску — парадигме, необходимой для извлечения и синтеза всеобъемлющей информации в условиях сложных ограничений при параллельном выполнении. Однако прогресс в этой области сдерживается отсутствием специализированных бенчмарков и методик оптимизации для оценки широты поиска. Для решения этих задач мы проводим глубокий анализ Широкого поиска с двух перспектив: Конвейер данных и Оптимизация агентов. Во-первых, мы создаем WideSeekBench — бенчмарк общего широкого информационного поиска (General Broad Information Seeking, GBIS), построенный с помощью строгого многопоточного конвейера данных для обеспечения разнообразия по объему целевой информации, логическим ограничениям и доменам. Во-вторых, мы представляем WideSeek — динамическую иерархическую мультиагентную архитектуру, способную автономно создавать параллельные под-агенты в зависимости от требований задачи. Кроме того, мы разрабатываем унифицированную систему обучения, которая линеаризует траектории мультиагентного взаимодействия и оптимизирует систему с помощью сквозного обучения с подкреплением (RL). Результаты экспериментов демонстрируют эффективность WideSeek и мультиагентного RL, подчеркивая, что масштабирование количества агентов является перспективным направлением для развития парадигмы Широкого поиска.
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.