論文の概要: PrimeSeeker: Capability-Oriented Supervision for Deep Search Agents

• arxiv url: http://arxiv.org/abs/2609.35816v1
• Date: Sun, 20 Sep 2026 16:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.849969
• Title: PrimeSeeker: Capability-Oriented Supervision for Deep Search Agents
• Title（参考訳）: PrimeSeeker: ディープ検索エージェントのための機能指向のスーパービジョン
• Abstract要約: 大規模な言語モデル探索エージェントは、より大きなエビデンスグラフ、追加のホップ、長い軌跡によって困難が増大する合成質問で訓練されることが多い。 本稿では,無名の検索アンカーを記述仕様から解き,検索アンカーをその後の情報要求に転送する潜在アンカー推論を提案する。 提案するPrimeSeekerは,Webグラウンドのアンカー構造を構築し,問題と参照エビデンス骨格を共同で導出する機能指向フレームワークである。
• 参考スコア（独自算出の注目度）: 36.389823482355744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model search agents are often trained with synthetic questions whose difficulty is increased through larger evidence graphs, additional hops, and longer trajectories. These global properties, however, are only indirect proxies for the local retrieval capabilities required during search. To address this mismatch, we introduce latent anchor reasoning, which consists of resolving an unnamed retrieval anchor from descriptive specifications and transferring the recovered anchor into a subsequent information demand. This primitive retrieval unit decomposes deep search into chains of coupled operations and organizes question construction around anchor resolution and relation transfer, without prescribing a canonical search path. Based on this formulation, we propose PrimeSeeker, a capability-oriented framework that constructs web-grounded anchor structures and jointly derives a question and a reference evidence skeleton. The skeleton preserves supporting evidence from construction and guides expert generation through extractive highlights of current tool observations. These highlights are removed before supervised fine-tuning, while the skeleton is subsequently reused to audit reference-step coverage for reinforcement-learning rewards. We construct 9,221 expert trajectories, training a 30B search agent. Across five deep-search benchmarks, PrimeSeeker achieves strong performance, while reference-step optimization further improves the supervised policy. The resulting trajectories exhibit low retrieval redundancy, and fixed-budget evaluation shows strong solution coverage with substantially fewer tool calls than long-horizon systems.
• Abstract（参考訳）: 大規模な言語モデル探索エージェントは、より大きなエビデンスグラフ、追加のホップ、長い軌跡によって困難が増大する合成質問で訓練されることが多い。 しかし、これらのグローバルな性質は、検索時に必要とされる局所的な検索能力の間接的プロキシである。 このミスマッチに対処するために、未命名の検索アンカーを記述仕様から解き、回収されたアンカーをその後の情報要求に転送する潜在アンカー推論を導入する。 プリミティブ検索部は、結合された操作の連鎖に深い探索を分解し、標準探索経路を規定することなく、アンカー分解能及び関係転送に関する質問構築を整理する。 この定式化に基づき、Webグラウンドのアンカー構造を構築し、質問と参照エビデンス骨格を共同で導出する機能指向フレームワークであるPrimeSeekerを提案する。 骨格は、建設からの証拠を保存し、現在のツール観察の抽出ハイライトを通じて専門家生成をガイドする。 これらのハイライトは教師付き微調整の前に削除され、スケルトンはその後、強化学習報酬の参照ステップカバレッジを監査するために再利用される。 我々は、30B検索エージェントを訓練し、9,221名の専門家トラジェクトリを構築した。 5つのディープ検索ベンチマークで、PrimeSeekerは強力なパフォーマンスを実現し、参照ステップの最適化は教師付きポリシをさらに改善する。 得られたトラジェクトリは検索冗長性が低く, 固定予算評価では, ツールコールが長距離システムよりも大幅に少ない, 強力なソリューションカバレッジを示す。

関連論文リスト

• Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval [19.37201042661162]
  本研究では,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応ファイナルランキングを組み込んだ,トレーニング不要なマルチホップ検索フレームワークを提案する。 MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-07T05:13:56Z)
• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• FORT-Searcher: Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents [79.32220873172078]
  ディープ・サーチ・エージェントの訓練には、十分な証拠が検索を通じて取得されるまで回答が得られない検証可能な質問が必要である。 このギャップをショートカット対応の難易度フレームワークで形式化し、4つの実行可能なショートカットリスクを特定する。 このフレームワークによってガイドされたFORTは、ショートカット耐性トレーニングデータ合成のフレームワークである。
  論文  参考訳（メタデータ） (2026-06-10T13:49:11Z)
• 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)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• Chaining the Evidence: Robust Reinforcement Learning for Deep Search Agents with Citation-Aware Rubric Rewards [60.0970117192627]
  強化学習(Reinforcement Learning, RL)は, LLMに基づくディープサーチエージェントの強化に重要な手法である。 既存のアプローチは主にバイナリ結果の報酬に依存しており、エージェントの推論プロセスの包括性と事実性を捉えていない。 ディープサーチエージェントのための微粒化報酬フレームワークである textbfCitation-aware RL Rewards (CaRR) を提案する。
  論文  参考訳（メタデータ） (2026-01-09T18:57:53Z)

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。