論文の概要: WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2509.13309v2
• Date: Sat, 20 Sep 2025 14:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 12:27:33.48367
• Title: WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents
• Title（参考訳）: WebResearcher:Long-Horizon Agentsにおける非有界推論能力の開放
• Authors: Zile Qiao, Guoxin Chen, Xuanzhong Chen, Donglei Yu, Wenbiao Yin, Xinyu Wang, Zhen Zhang, Baixuan Li, Huifeng Yin, Kuan Li, Rui Min, Minpeng Liao, Yong Jiang, Pengjun Xie, Fei Huang, Jingren Zhou,
• Abstract要約: WebResearcherは、マルコフ決定プロセスとしてディープリサーチを再構築する反復的なディープリサーチパラダイムである。 WebResearcherは最先端のパフォーマンスを実現し、フロンティアのプロプライエタリシステムを超えています。
• 参考スコア（独自算出の注目度）: 72.28593628378991
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recent advances in deep-research systems have demonstrated the potential for AI agents to autonomously discover and synthesize knowledge from external sources. In this paper, we introduce WebResearcher, a novel framework for building such agents through two key components: (1) WebResearcher, an iterative deep-research paradigm that reformulates deep research as a Markov Decision Process, where agents periodically consolidate findings into evolving reports while maintaining focused workspaces, overcoming the context suffocation and noise contamination that plague existing mono-contextual approaches; and (2) WebFrontier, a scalable data synthesis engine that generates high-quality training data through tool-augmented complexity escalation, enabling systematic creation of research tasks that bridge the gap between passive knowledge recall and active knowledge construction. Notably, we find that the training data from our paradigm significantly enhances tool-use capabilities even for traditional mono-contextual methods. Furthermore, our paradigm naturally scales through parallel thinking, enabling concurrent multi-agent exploration for more comprehensive conclusions. Extensive experiments across 6 challenging benchmarks demonstrate that WebResearcher achieves state-of-the-art performance, even surpassing frontier proprietary systems.
• Abstract（参考訳）: 近年のディープラーニングシステムの進歩は、AIエージェントが外部からの知識を自律的に発見し、合成する可能性を実証している。 本稿では,これらのエージェントを構築するための新しいフレームワークであるWebResearcherを紹介する。(1)深い研究をマルコフ決定プロセスとして再編成する反復的ディープリサーチのパラダイムであるWebResearcherを導入し,焦点を絞ったワークスペースを維持しながら発見を進化レポートに定期的に統合し,既存のモノコンテクスチュアルアプローチを悩ませるコンテキスト妨害やノイズ汚染を克服し,(2)ツール強化された複雑性エスカレーションを通じて高品質なトレーニングデータを生成するスケーラブルなデータ合成エンジンであるWebFrontierを,知能知識のリコールとアクティブな知識構築のギャップを埋める研究タスクの体系的作成を可能にする。 特に,従来のモノコンテクスト手法であっても,我々のパラダイムからのトレーニングデータがツール利用能力を大幅に向上させることがわかった。 さらに,本パラダイムは並列思考を通じて自然にスケールし,より包括的な結論を得るための同時マルチエージェント探索を可能にする。 6つの挑戦的なベンチマークにわたる大規模な実験は、WebResearcherが最先端のパフォーマンスを達成し、フロンティアプロプライエタリなシステムを超えていることを示している。

関連論文リスト

• WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
  本稿では、AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題である、オープンエンドディープリサーチ(OEDR)に取り組む。 人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークであるWebWeaverを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T17:57:21Z)
• 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)
• 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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。