論文の概要: Question's Gambit: The First Move Matters in Agentic Deep Search
- arxiv url: http://arxiv.org/abs/2609.14412v1
- Date: Sun, 13 Sep 2026 10:21:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.810204
- Title: Question's Gambit: The First Move Matters in Agentic Deep Search
- Title（参考訳）: 質問のギャンビット:エージェントのディープ検索における最初の動き
- Abstract要約: ディープリサーチエージェントは、検索、読書、推論の反復ループを通じて複雑な質問に答える。
BrowseComp-Plusのような推論集約型ベンチマークに関する最近の研究は、適切に構成された語彙検索が高品質な証拠となることを示している。
本稿では,質問を一組の手がかりに分解する,最初の移動型検索モジュールであるQA's Gambitを紹介する。
- 参考スコア（独自算出の注目度）: 23.206552200317486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep research agents answer complex questions through iterative loops of searching, reading, and reasoning. Recent work on reasoning-intensive benchmarks such as BrowseComp-Plus shows that well-configured lexical retrieval can surface high-quality evidence, yet agents may still fail to connect documents carrying evidence to the gold documents. We identify a deep research agent's first retrieval move as an important design decision for this setting. We introduce Question's Gambit, a first-move retrieval module that decomposes the question into a set of clues, reformulates them into complementary searches, consolidates the retrieved results, and reranks the candidate pool before the agent begins its iterative search-and-reasoning process. This produces an opening context designed to support both clue aggregation and final-answer verification. We further evaluate on MultiHop-RAG to test whether these benefits transfer beyond BrowseComp-Plus to a more conventional multi-hop question structure. Experiments on BrowseComp-Plus show that Question's Gambit improves retrieval recall and downstream agent accuracy over strong baselines, improving answer accuracy from 83.1% to 90.5% with gpt-5.5 over Pi-Serini, the strongest reported agentic baseline. Our results confirm that effective agentic deep research depends not only on the tools available inside the loop, but also on the quality of the first move. We published our implementation publicly at https://github.com/radinhamidi/Question-s-Gambit.
- Abstract（参考訳）: ディープリサーチエージェントは、検索、読書、推論の反復ループを通じて複雑な質問に答える。
BrowseComp-Plusのような推論集約型ベンチマークに関する最近の研究は、適切に構成された語彙検索が高品質な証拠を提示できることを示しているが、エージェントは依然として証拠を含む文書を金の文書に接続できない可能性がある。
深層調査エージェントの最初の検索行動は,この設定において重要な設計上の決定である。
本稿では,質問を一組の手がかりに分解し,それらを補完的な検索に再構成し,検索結果を集約し,エージェントが反復的な検索・推論を開始する前に候補プールを再起動する,第1の移動型検索モジュールであるQA's Gambitを紹介する。
これにより、シーケンシャルアグリゲーションと最終回答検証の両方をサポートするように設計されたオープニングコンテキストが生成される。
さらにMultiHop-RAGを用いて、これらの利点がBrowseComp-Plusを超えて従来のマルチホップ質問構造に移行するかどうかを検証する。
BrowseComp-Plusの実験では、質問のガンビットは強力なベースラインよりも検索リコールと下流エージェントの精度を改善し、答えの正確性を83.1%から90.5%に改善し、最も強い報告されたエージェントベースラインであるPi-Seriniよりもgpt-5.5に改善した。
その結果,有効なエージェントディープリサーチは,ループ内で利用可能なツールだけでなく,最初の動作の質にも依存することがわかった。
実装はhttps://github.com/radinhamidi/Question-s-Gambit.comで公開しました。
関連論文リスト
- GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
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。
論文 参考訳（メタデータ） (2026-05-28T03:37:33Z) - 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) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
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。
論文 参考訳（メタデータ） (2026-03-04T18:47:26Z) - Revisiting Text Ranking in Deep Research [24.324221566628125]
Black-box Web Search APIは、検索コンポーネントの体系的な分析を妨げる。
我々は、深い研究環境において、IRテキストランキング手法における重要な発見とベストプラクティスの選択を再現する。
論文 参考訳（メタデータ） (2026-02-25T00:18:07Z) - 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) - 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) - Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。
補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。
再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
論文 参考訳（メタデータ） (2025-07-01T01:01:54Z)
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。