論文の概要: AgentIR: Reasoning-Aware Retrieval for Deep Research Agents

• arxiv url: http://arxiv.org/abs/2603.04384v2
• Date: Thu, 05 Mar 2026 18:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 15:25:24.460769
• Title: AgentIR: Reasoning-Aware Retrieval for Deep Research Agents
• Title（参考訳）: エージェントIR:ディープリサーチエージェントのための推論対応検索
• Authors: Zijian Chen, Xueguang Ma, Shengyao Zhuang, Jimmy Lin, Akari Asai, Victor Zhong,
• Abstract要約: ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
• 参考スコア（独自算出の注目度）: 76.29382561831105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Research agents are rapidly emerging as primary consumers of modern retrieval systems. Unlike human users who issue and refine queries without documenting their intermediate thought processes, Deep Research agents generate explicit natural language reasoning before each search call, revealing rich intent and contextual information that existing retrievers entirely ignore. To exploit this overlooked signal, we introduce: (1) Reasoning-Aware Retrieval, a retrieval paradigm that jointly embeds the agent's reasoning trace alongside its query; and (2) DR-Synth, a data synthesis method that generates Deep Research retriever training data from standard QA datasets. We demonstrate that both components are independently effective, and their combination yields a trained embedding model, AgentIR-4B, with substantial gains. On the challenging BrowseComp-Plus benchmark, AgentIR-4B achieves 68\% accuracy with the open-weight agent Tongyi-DeepResearch, compared to 50\% with conventional embedding models twice its size, and 37\% with BM25. Code and data are available at: https://texttron.github.io/AgentIR/.
• Abstract（参考訳）: ディープ・リサーチ・エージェントは、現代の検索システムの主要な消費者として急速に普及している。 中間的な思考過程を文書化せずにクエリを発行・精査する人間のユーザとは異なり、Deep Researchのエージェントは各検索の前に明示的な自然言語推論を生成し、既存の検索者が完全に無視するリッチな意図とコンテキスト情報を明らかにする。 この見過ごされた信号を利用するために,(1)エージェントの推論トレースとクエリを併用した検索パラダイムであるReasoning-Aware Retrieval,(2)標準QAデータセットからDeep Research検索データを生成するデータ合成手法であるDR-Synthを紹介する。 両コンポーネントが独立して有効であることを示し、それらの組み合わせにより、トレーニングされた組み込みモデルであるAgentIR-4Bが大幅に向上することを示した。 挑戦的なBrowseComp-Plusベンチマークでは、AgentIR-4BはオープンウェイトエージェントのTongyi-DeepResearchで68倍の精度を達成し、従来の埋め込みモデルでは50倍、BM25では37倍の精度を実現した。 コードとデータは、https://texttron.github.io/AgentIR/.comで入手できる。

関連論文リスト

• SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback [68.60326181052658]
  本稿では,高品質で難易度の高い探索問合せを自動生成するエージェントパイプラインを提案する。 我々のパイプラインであるSAGEは、QAペアを提案するデータジェネレータと、生成された質問を解決するための検索エージェントで構成される。 我々の本質的な評価は、SAGEが様々な推論戦略を必要とする質問を生成する一方で、生成したデータの正確性や難易度を著しく高めていることを示している。
  論文  参考訳（メタデータ） (2026-01-26T06:37:56Z)
• AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent [36.65355075707938]
  AI研究における重要な応用の1つは、エージェントとベースライン検索による実験設計を自動化することである。 ベースラインおよびデータセットレコメンデーションのための包括的フレームワークを提案する。 我々は、正確な相互作用連鎖を構築して明確な推論連鎖を構築し、解釈可能な正当化を生成するために大きな言語モデルを微調整する推論強化リランカを開発する。
  論文  参考訳（メタデータ） (2025-11-07T01:51:56Z)
• Enterprise Deep Research: Steerable Multi-Agent Deep Research for Enterprise Analytics [75.4712507893024]
  Enterprise Deep Research (EDR)は、適応的なクエリ分解のためのマスタープランニングエージェントを統合するマルチエージェントシステムである。 4つの専門的な検索エージェント(General, Academic, GitHub, LinkedIn)と、データ駆動インサイトのための可視化エージェントも含まれている。 EDRは、オプショナル・イン・ザ・ループ・ステアリング・ガイダンスによる研究の方向性を反映する。
  論文  参考訳（メタデータ） (2025-10-20T17:55:11Z)
• InfoAgent: Advancing Autonomous Information-Seeking Agents [143.15973604285304]
  本稿では,革新的なデータ合成パイプラインとWeb検索ツールを駆使したディープリサーチエージェントInfoAgentを紹介する。 我々の方法では、InfoAgentはBrowseCompで15.3%、BrowseComp-ZHで29.2%、Xbench-DSで40.4%の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-29T17:59:57Z)
• Fathom-DeepResearch: Unlocking Long Horizon Information Retrieval and Synthesis for SLMs [7.3517692707289415]
  本稿では2つの特殊モデルからなるエージェントシステムであるFathom-DeepResearchを紹介する。 ひとつは、ライブWeb検索とターゲットWebページクエリによるエビデンスベースの調査に最適化された、DeepSearchモデルであるFathom-Search-4Bである。 2つ目は、Qwen3-4Bから訓練されたFathom-Synthesizer-4Bである。
  論文  参考訳（メタデータ） (2025-09-28T22:58:11Z)
• DatasetResearch: Benchmarking Agent Systems for Demand-Driven Dataset Discovery [26.388978716803464]
  AIエージェントは、通常の検索を超越して、特定のユーザ要求を満たすデータセットを体系的に検出できるだろうか? 我々のベンチマークと包括的な分析は、次世代の自己改善型AIシステムの基礎を提供する。
  論文  参考訳（メタデータ） (2025-08-09T12:15:08Z)
• BrowseComp-Plus: A More Fair and Transparent Evaluation Benchmark of Deep-Research Agent [74.10138164281618]
  BrowseComp-Plus(BrowseComp-Plus)は、BrowseCompから派生したベンチマークである。 このベンチマークは、ディープリサーチエージェントと検索方法の総合的な評価とアンタングル解析を可能にする。
  論文  参考訳（メタデータ） (2025-08-08T17:55:11Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。