論文の概要: Incremental Open-Ended Deep Research with Structured Harness

• arxiv url: http://arxiv.org/abs/2610.11566v1
• Date: Thu, 08 Oct 2026 09:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.923545
• Title: Incremental Open-Ended Deep Research with Structured Harness
• Title（参考訳）: 構造的ハーネスを用いたインクリメンタルオープンエンドディープリサーチ
• Abstract要約: インクリメンタルOEDRは、レポートの継続性を大幅に改善し、研究コストを低減しながら、競争レポートの品質を維持している。 最大でコンテントレベルのROUGE-L F1が0.51、アウトラインレベルのEM F1が0.63、トークン消費が33%、検索コールがDeepResearch BenchのOEDRよりも61%少ない。
• 参考スコア（独自算出の注目度）: 2.5150213648460666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Open-Ended Deep Research (OEDR) systems primarily generate reports from scratch, making them inefficient for scenarios where research reports need to be continuously maintained as new information emerges. We introduce \textbf{Incremental Open-Ended Deep Research (Incremental-OEDR)}, a research setting that treats a report as an evolving research state and incrementally updates it by preserving valid knowledge, revising outdated or incomplete content, and incorporating newly available information. To support this setting, we propose \textbf{Structured Harness}, which represents reports as structured collections of outlines, sections, and supporting evidence, and provides structured retrieval, a persistent structured evidence pool, and structured generation for selective report updating and evidence reuse. We further establish a temporal evaluation framework spanning ten years, with \emph{Single-Step Task} and \emph{Long-Chain Task} to evaluate incremental updates over both individual transitions and long-term update chains. Extensive Experiments on DeepResearch Bench and DeepConsult under both the Open-source Configuration (OC) and Proprietary Configuration (PC) show that Incremental-OEDR maintains competitive report quality while substantially improving report continuity and reducing research costs. As shown in Figure~\ref{fig:profile}, it achieves up to 0.51 higher content-level ROUGE-L F1, 0.63 higher outline-level EM F1, 33\% lower token consumption, and 61\% fewer search calls than OEDR on DeepResearch Bench. For more details, please refer to our project page: https://ioedr-project.github.io/.
• Abstract（参考訳）: 既存のOpen-Ended Deep Research(OEDR)システムは、主にゼロからレポートを生成するため、新たな情報が出現するにつれて研究レポートを継続的に維持する必要があるシナリオでは非効率である。 本稿では,レポートを進化した研究状態として扱い,有効な知識の保存,時代遅れや不完全な内容の修正,新たに利用可能な情報の導入によって,段階的に更新する研究環境である,textbf{Incremental Open-Ended Deep Research (Incremental-OEDR)}を紹介する。 この設定を支援するために, レポートをアウトライン, セクション, 支持エビデンスの構造化されたコレクションとして表現し, 構造化された検索, 永続的なエビデンスプール, 選択的なレポート更新とエビデンス再利用のための構造化生成を提供する, \textbf{Structured Harness}を提案する。 さらに、個別の遷移と長期の更新チェーンの両方に対する漸進的な更新を評価するために、 \emph{Single-Step Task} と \emph{Long-Chain Task} の10年間にわたる時間的評価フレームワークを構築した。 オープンソース Configuration (OC) と Proprietary Configuration (PC) の両方の下でのDeepResearch Bench と DeepConsult に関する広範な実験は、Incremental-OEDR が競合レポートの品質を維持しつつ、レポートの継続性を大幅に改善し、研究コストを削減していることを示している。 図~\ref{fig: prominent} に示すように、最大でコンテントレベル ROUGE-L F1 が 0.51 、アウトラインレベル EM F1 が 0.63 、トークン消費が 33 % 、検索コールが DeepResearch Bench の OEDR よりも 61 % 少ない。 詳細はプロジェクトのページを参照してください。

関連論文リスト

• ScaffoldAgent: Utility-Guided Dynamic Outline Optimization for Open-Ended Deep Research [27.916358340708907]
  オープンエンドディープリサーチ(OEDR)では,多ラウンド検索による知識獲得とコヒーレントなロングフォームレポートの生成が求められている。 既存のメソッドは、書き込む前にアウトラインを修正するか、ローカルなドリフトで洗練する。 OEDR のための動的アウトライン最適化フレームワーク ScaffoldAgent を提案する。
  論文  参考訳（メタデータ） (2026-06-18T11:47:13Z)
• TVIR: Building Deep Research Agents Towards Text--Visual Interleaved Report Generation [63.89818340842003]
  TVIR (Text-Visual Interleaved Report Generation) は、100名の専門家によるマルチモーダルディープリサーチタスクのベンチマークである。 TVIR-Agentは階層的なマルチエージェントフレームワークで、アウトラインの構築と画像検索のための強力なベースラインとして機能する。 テキストアセスメントとビジュアルアセスメントを組み合わせたデュアルパスアセスメントフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-06-01T14:35:14Z)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
  我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。 その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
  論文  参考訳（メタデータ） (2026-02-02T03:00:19Z)
• WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
  本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。 人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。 私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:21Z)
• ConTReGen: Context-driven Tree-structured Retrieval for Open-domain Long-form Text Generation [26.4086456393314]
  長い形式のテキスト生成には、幅と深さの両方で複雑なクエリに対処する一貫性のある包括的な応答が必要である。 既存の反復的な検索拡張生成アプローチは、複雑なクエリの各側面を深く掘り下げるのに苦労することが多い。 本稿では,コンテキスト駆動型木構造検索手法を用いた新しいフレームワークであるConTReGenを紹介する。
  論文  参考訳（メタデータ） (2024-10-20T21:17:05Z)

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。