論文の概要: GrepSeek: Training Search Agents for Direct Corpus Interaction
- arxiv url: http://arxiv.org/abs/2605.29307v1
- Date: Thu, 28 May 2026 03:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.63983
- Title: GrepSeek: Training Search Agents for Direct Corpus Interaction
- Title（参考訳）: GrepSeek: 直接コーパスインタラクションのための検索エージェントのトレーニング
- Authors: Alireza Salemi, Chang Zeng, Atharva Nijasure, Jui-Hui Chung, Razieh Rahimi, Fernando Diaz, Hamed Zamani,
- Abstract要約: GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。
DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
- 参考スコア（独自算出の注目度）: 66.69568141699311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Model (LLM) search agents have shown strong promise for knowledge-intensive language tasks through multiple rounds of reasoning and information retrieval. Most existing systems access information using a retriever that takes a keyword or natural language query and returns a ranked list of documents using an index of pre-computed document representations. In this work, we explore a complementary perspective in which the search agent treats the corpus itself as the search environment and finds evidence by issuing executable shell commands. We introduce GrepSeek, an optimized direct corpus interaction (DCI) search agent that trains a compact search agent to find, filter, and compose evidence from large text corpora. To address the instability of learning behavior directly with reinforcement learning on large corpora, we propose a two-stage training pipeline. First, we construct a cold-start dataset using an answer-aware Tutor and answer-blind Planner to generate verified, causally grounded search trajectories. Second, we refine the initialized policy with Group Relative Policy Optimization (GRPO), allowing the agent to improve its task-oriented search behavior through direct interaction with the corpus. To make DCI practical at scale, we further use a semantics-preserving sharded-parallel execution engine that accelerates shell-based retrieval by up to $7.6\times$ while preserving byte-exact equivalence with sequential execution of the shell command. Experiments across seven open-domain question answering benchmarks show that GrepSeek achieves the strongest overall token-level $F_1$ and Exact Match. Our analysis also highlights the limitations of purely lexical interaction on queries with substantial surface-form variation, suggesting DCI as a practical and competitive method for search agents that can complement existing retrieval paradigms in the real world.
- Abstract（参考訳）: 大規模言語モデル (LLM) 検索エージェントは,複数ラウンドの推論と情報検索を通じて,知識集約型言語タスクを強く約束している。
既存のシステムのほとんどは、キーワードや自然言語クエリを受信し、事前計算された文書表現のインデックスを使用してランク付けされた文書のリストを返すレトリバーを使用して情報にアクセスする。
本研究では,探索エージェントがコーパス自体を検索環境として扱う補完的な視点を探求し,実行可能なシェルコマンドを発行することで証拠を見つける。
最適化された直接コーパスインタラクション(DCI)検索エージェントであるGrepSeekを導入する。
大規模コーパス上での強化学習による学習行動の不安定性に対処するため,2段階学習パイプラインを提案する。
まず,回答を意識したチュータと応答ブラインドプランナを用いてコールドスタートデータセットを構築し,因果的根拠を持つ探索トラジェクトリを生成する。
第2に,グループ相対政策最適化(GRPO)により初期化ポリシを洗練し,エージェントがコーパスと直接対話することでタスク指向の探索行動を改善する。
DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6\times$で高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
7つのオープンドメインの質問応答ベンチマークの実験から、GrepSeekはトークンレベルが最強の$F_1$とExact Matchを達成した。
また,実世界の検索パラダイムを補完する検索エージェントの実用的かつ競争的な手法としてDCIが提案されている。
関連論文リスト
- Is Grep All You Need? How Agent Harnesses Reshape Agentic Search [0.7199239000118145]
本稿では,2つの実験にまとめられた実証的研究を報告する。
実験1では、Chは一般にベクトル検索よりも精度が高いことを示した。
全体的なスコアは、基礎となる会話データが同じであっても、どのハーネスとツール呼び出しスタイルが使用されるかに強く依存する。
論文 参考訳（メタデータ） (2026-05-14T17:58:41Z) - Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval [25.731213365755234]
textitSuperIntelligent Retrieval Agent (SIRA)を紹介する。
SIRAは、複数ラウンド探索探索を単一のコーパス識別検索アクションに圧縮することができる。
解釈可能で、トレーニング不要で、効率的でありながら、より高価なマルチラウンドサーチを超えることができる。
論文 参考訳（メタデータ） (2026-05-07T17:54:29Z) - Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。
このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。
IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-05-03T19:13:11Z) - Bridging the Pose-Semantic Gap: A Cascade Framework for Text-Based Person Anomaly Search [45.34874989015716]
テキストベースの人物異常検索は、自然言語クエリを使用して監視アーカイブから特定の行動イベントを検索する。
最近のポーズアウェア法は、意味的に異なるアクションが類似した骨格のジオメトリを共有できるという、基本的なPose-Semantic Gapに直面している。
本稿では,検索を2段階に分離するSSDC(Structure-Semantic Decoupled Cascade)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-25T12:53:15Z) - Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。
Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-18T15:56:34Z) - CorpusLM: Towards a Unified Language Model on Corpus for Knowledge-Intensive Tasks [20.390672895839757]
Retrieval-augmented Generation (RAG) は、事実精度を高めるための一般的なソリューションとして登場した。
従来の検索モジュールは、大きなドキュメントインデックスと生成タスクとの切り離しに依存していることが多い。
生成検索,クローズドブック生成,RAGを統合した統一言語モデルである textbfCorpusLM を提案する。
論文 参考訳（メタデータ） (2024-02-02T06:44:22Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-12-11T18:57:35Z) - UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。
事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。
本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
論文 参考訳（メタデータ） (2022-05-23T11:01:59Z)
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。