Fugu-MT 論文翻訳(概要): Universal Deep Research: Bring Your Own Model and Strategy

論文の概要: Universal Deep Research: Bring Your Own Model and Strategy

arxiv url: http://arxiv.org/abs/2509.00244v1
Date: Fri, 29 Aug 2025 21:22:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 15:17:03.140404
Title: Universal Deep Research: Bring Your Own Model and Strategy
Title（参考訳）: Universal Deep Research: 独自のモデルと戦略をもたらす
Authors: Peter Belcak, Pavlo Molchanov,
Abstract要約: ユニバーサルディープリサーチ(Universal Deep Research、UDR)は、あらゆる言語モデルを包み込み、ユーザが独自のディープリサーチ戦略を作成し、編集し、洗練することを可能にするエージェントシステムである。システムの汎用性を実証するため,UDRに最小限,拡張性,集中的な研究戦略を付与し,システム実験を容易にするユーザインタフェースを提供する。
参考スコア（独自算出の注目度）: 16.159856339247565
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep research tools are among the most impactful and most commonly encountered agentic systems today. We observe, however, that each deep research agent introduced so far is hard-coded to carry out a particular research strategy using a fixed choice of tools. We introduce Universal Deep Research (UDR), a generalist agentic system that wraps around any language model and enables the user to create, edit, and refine their own entirely custom deep research strategies without any need for additional training or finetuning. To showcase the generality of our system, we equip UDR with example minimal, expansive, and intensive research strategies, and provide a user interface to facilitate experimentation with the system.
Abstract（参考訳）: ディープリサーチツールは、今日最も影響力があり、最も一般的に遭遇するエージェントシステムの一つである。しかし,これまで導入されてきたディープリサーチエージェントは,ツールの一定選択を用いて,特定の研究戦略を実行するためにハードコードされている。汎用エージェントシステムであるUniversal Deep Research(UDR)を導入し、任意の言語モデルをラップし、ユーザーは追加のトレーニングや微調整を必要とせずに、独自のDeep Research戦略を作成し、編集し、洗練することができる。システムの汎用性を実証するため,UDRに最小限,拡張性,集中的な研究戦略を付与し,システム実験を容易にするユーザインタフェースを提供する。

関連論文リスト

AgentCPM-Report: Interleaving Drafting and Deepening for Open-Ended Deep Research [85.51475655916026]
AgentCPM-Reportは軽量だが高性能なローカルソリューションで、人間の記述プロセスを反映したフレームワークで構成されている。我々のフレームワークは、モデルがアウトラインを動的に修正できるWARP(Writeing As Reasoning Policy)を使用している。 DeepResearch Bench、DeepConsult、DeepResearch Gymの実験は、AgentCPM-Reportが主要なクローズドソースシステムより優れていることを示した。
論文参考訳（メタデータ） (2026-02-06T09:45:04Z)
DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research [152.2148664328137]
ディープ・リサーチ・モデルは、多段階の研究を行い、長文でよく理解された回答を生成する。ほとんどのオープンディープリサーチモデルは、検証可能な報酬を伴う強化学習を通じて、短い形式のQAタスクで訓練されている。我々は、オープンエンドで長期のディープリサーチのために直接訓練された最初のオープンモデルであるDeep Research Tulu (DR Tulu-8B)を開発した。
論文参考訳（メタデータ） (2025-11-24T18:35:54Z)
Deep Research: A Systematic Survey [118.82795024422722]
Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
論文参考訳（メタデータ） (2025-11-24T15:28:28Z)
Understanding DeepResearch via Reports [41.60038455664918]
DeepResearchは、高度な推論とマルチツール統合を通じて専門家レベルの研究を行う、変革的なAIパラダイムである。これらのシステムを評価することは、オープンな研究シナリオと、独立した機能に焦点を当てた既存のベンチマークのため、依然として極めて難しい。 DeepResearch-ReportEvalは、DeepResearchシステムを最も代表的なアウトプットで評価するための総合的なフレームワークである。
論文参考訳（メタデータ） (2025-10-09T07:03:43Z)
WebWatcher: Breaking New Frontier of Vision-Language Deep Research Agent [68.3311163530321]
Deep ResearchのようなWebエージェントは認知能力を示しており、高度に難解な情報検索問題を解決することができる。このようなエージェントは知覚、論理、知識においてより強力な推論能力を必要とするため、マルチモーダルディープリサーチは非常に困難である。本稿では,視覚言語推論機能を備えた多モードディープリサーチエージェントであるWebWatcherを紹介する。
論文参考訳（メタデータ） (2025-08-07T18:03:50Z)
From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文参考訳（メタデータ） (2025-06-23T17:27:19Z)
Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文参考訳（メタデータ） (2025-06-22T16:52:48Z)
WebThinker: Empowering Large Reasoning Models with Deep Research Capability [60.81964498221952]
WebThinkerは、大規模な推論モデルに、Webを自律的に検索し、Webページをナビゲートし、推論プロセス中に研究レポートをドラフトする権限を与えるディープリサーチエージェントである。また、textbf Autonomous Think-Search-and-Draft戦略を採用しており、モデルがシームレスに推論、情報収集、レポート作成をリアルタイムで行うことができる。我々のアプローチは複雑なシナリオにおけるLEMの信頼性と適用性を高め、より有能で多目的な深層研究システムへの道を開く。
論文参考訳（メタデータ） (2025-04-30T16:25:25Z)
DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments [20.498100965239818]
我々は、LLMベースのディープリサーチエージェントのエンドツーエンドトレーニングのための、初の総合的なフレームワークであるDeepResearcherを紹介する。固定コーパス内にすべての必要な情報が存在すると仮定するRAGベースのアプローチとは異なり、我々の手法はオープンウェブのノイズ、非構造化、動的性質をナビゲートするエージェントを訓練する。オープンドメインの研究タスクに関する大規模な実験は、DeepResearcherがエンジニアリングベースの素早いベースラインよりも最大28.9ポイントの大幅な改善を達成していることを示している。
論文参考訳（メタデータ） (2025-04-04T04:41:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。