論文の概要: Beyond Semantic Similarity: Performance and Costs of Agentic Retrieval for Complex Tasks

• arxiv url: http://arxiv.org/abs/2610.05750v1
• Date: Mon, 05 Oct 2026 03:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:41:54.693496
• Title: Beyond Semantic Similarity: Performance and Costs of Agentic Retrieval for Complex Tasks
• Title（参考訳）: 意味的類似性を超えて:複雑なタスクに対するエージェント検索のパフォーマンスとコスト
• Abstract要約: エージェント検索が標準検索よりも有効であることを示し,同じ埋め込みモデルを用いて,nDCG@10を8.7ポイント改善した。 エージェント検索は平均で107.4秒、標準検索では0.67秒、クエリ毎に764.1Kの入力と5.8Kの出力トークンを消費する。
• 参考スコア（独自算出の注目度）: 8.99178422923724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern information systems, including many agentic workflows, use dense retrieval to explore large amounts of unstructured data. However, dense retrieval relies on surface-level semantic similarity, which is insufficient for increasingly complex search applications. Here, we investigate agentic retrieval that combines the reasoning capabilities of Large Language Models (LLMs) with the efficient corpus exploration of retrievers in a ReAct agentic loop to solve complex retrieval tasks. In our experiments, we show that agentic retrieval is more effective than standard retrieval, improving nDCG@10 by 8.7 points using the same embedding model. Moreover, while specialized retrieval methods struggle on out-of-domain tasks, agentic retrieval is highly generalizable: the same pipeline achieves competitive results on both the ViDoRe v3 and BRIGHT leaderboards. However, this improvement comes at a cost. On average, agentic retrieval takes 107.4 seconds, compared to 0.67 seconds for standard retrieval, and consumes 764.1K input and 5.8K output tokens per query. In short, our study demonstrates the effectiveness of agentic retrieval in modern data systems and motivates future work on more cost-efficient retrieval agents for large-scale deployment.
• Abstract（参考訳）: 多くのエージェントワークフローを含む現代の情報システムは、大量の非構造化データを探索するために密度の高い検索を使用する。 しかし、高密度検索は、より複雑な検索アプリケーションには不十分な表面レベルのセマンティックな類似性に依存している。 本稿では,Large Language Models (LLMs) の推論能力と,複雑な検索課題を解決するためにReAct Agentic loopにおける検索者のコーパス探索を併用したエージェント検索について検討する。 実験では, エージェント検索が標準検索よりも有効であることを示し, 同じ埋め込みモデルを用いてnDCG@10を8.7ポイント改善した。 さらに、ドメイン外タスクでは特殊な検索手法が苦労するが、エージェント検索は非常に一般化可能であり、同じパイプラインがViDoRe v3とBRIGHTのリーダーボードの両方で競合する結果が得られる。 しかし、この改善にはコストがかかる。 エージェント検索は平均で107.4秒、標準検索では0.67秒、クエリ毎に764.1Kの入力と5.8Kの出力トークンを消費する。 本研究は,現代のデータシステムにおけるエージェント検索の有効性を実証し,大規模展開のためのコスト効率の高い検索エージェントの開発に向けた今後の取り組みを動機づけるものである。

関連論文リスト

• SearchArt: Training Long-Horizon Search Agent with Scalable Synthetic and Verified Task [28.244711705405056]
  有能な検索エージェントの訓練は、スケーラブルで長期にわたるタスクが欠如しているため、依然として困難である。 本稿では,長距離検索エージェントを訓練するためのフレームワークであるSearchArtを紹介する。 SearchArtは、複雑な検索、研究、ユーザ指向タスクのための大規模なデータセットを構築する。
  論文  参考訳（メタデータ） (2026-07-25T06:47:46Z)
• 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)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization [64.61432234404276]
  emphSearch More, Think Less (SMTL) は、効率性と一般化の両方をターゲットとした長期エージェント検索のためのフレームワークである。 我々は、教師付き微調整と強化学習を用いてエンドツーエンドエージェントを訓練し、ベンチマーク全体にわたって、強固で頻繁なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-26T06:46:41Z)
• 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)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• Demystifying and Enhancing the Efficiency of Large Language Model Based Search Agents [9.862334188345791]
  大規模言語モデル(LLM)に基づく検索エージェントは,複雑なタスクを解く際,顕著な能力を示した。 LLMベースの検索エージェントのための高効率推論フレームワークであるSearchAgent-Xを紹介する。 SearchAgent-Xは、vLLMやHNSWベースの検索のような最先端システムよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-17T16:07:01Z)

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。