論文の概要: PANINI-DR: Controlled Deep Research through Generative Semantic Workspaces

• arxiv url: http://arxiv.org/abs/2610.15208v1
• Date: Sat, 10 Oct 2026 22:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.17523
• Title: PANINI-DR: Controlled Deep Research through Generative Semantic Workspaces
• Title（参考訳）: PANINI-DR:ジェネレーティブ・セマンティック・ワークスペースによる深層研究の制御
• Abstract要約: PANINI-DRは、総合的な調査のコーディネーションと個別のサブクエストの調査と検証を分離するマルチエージェントハーネスである。 我々は,BrowseComp-Plus,FRAMES,MoNaCo上のPANINI-DRを,最先端の7つのディープリサーチハーネスに対して評価した。
• 参考スコア（独自算出の注目度）: 7.500556865188279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep research requires connecting multiple steps of search, reasoning, and computation, with intermediate findings guiding what to investigate next. As investigations grow, agents must maintain research state across model calls and check findings before errors propagate into subsequent work. We introduce PANINI-DR, a multi-agent harness that separates coordination of the overall investigation from the research and verification of individual subquestions. A shared workspace, built on the Generative Semantic Workspace representation, records subquestions, their dependencies, findings, and supporting evidence. Researchers investigate individual subquestions, while a separate verification agent checks proposed answers against those subquestions and their evidence. Verification feedback guides further investigation, and recorded findings inform subsequent assignments. We evaluate PANINI-DR on BrowseComp-Plus, FRAMES, and MoNaCo against seven state-of-the-art deep-research harnesses, all using a shared language-model backbone and frozen corpora. PANINI-DR achieves the strongest average performance across the three benchmarks. On BrowseComp-Plus, it achieves 73.3% accuracy, outperforming the next-best harness by 16.0 points. Its advantage is strongest on hard questions, where it answers nearly twice as many as the next-best harness. Ablations further show that structured planning and persistent state improve performance, as does checking each finding against its cited evidence before it is reused. Because a model can answer correctly from memory alone, we also analyze the evidence retained by each harness. PANINI-DR achieves the highest answer recoverability from saved evidence on all three benchmarks, while complementary claim-support audits show stronger evidence-backed answers. Accounting for this evidence changes how harnesses compare and further strengthens PANINI-DR's advantage.
• Abstract（参考訳）: ディープリサーチでは、探索、推論、計算の複数のステップを、次に何を調査すべきかを導く中間的な発見と結びつける必要がある。 調査が拡大するにつれて、エージェントはモデルコールを越えて研究状態を維持し、エラーがその後の作業に伝播する前に結果をチェックする必要がある。 本報告では,多エージェントハーネスであるPANINI-DRについて紹介する。 生成セマンティックワークスペースの表現に基づいて構築された共有ワークスペースは、サブクエスト、それらの依存関係、発見、およびエビデンスを記録する。 研究者は個々のサブクエストを調査し、別の検証エージェントはそれらのサブクエストとその証拠に対して提案された回答をチェックする。 検証フィードバックはさらなる調査をガイドし、記録された結果がその後の課題を知らせる。 BrowseComp-Plus, FRAMES, MoNaCo上のPANINI-DRを、7つの最先端のディープリサーチハーネスに対して評価し、全て共用言語モデルバックボーンと凍結コーパスを用いて評価した。 PANINI-DRは3つのベンチマークで最高の平均性能を達成している。 BrowseComp-Plusでは73.3%の精度で、次のベストハーネスを16.0ポイント上回っている。 その優位性は難しい質問に最も強く、そこでは次のベストハーネスの約2倍の確率で答えられる。 さらにアブレーションは、構造化された計画と永続的な状態によってパフォーマンスが向上することを示している。 モデルがメモリ単独で正しく応答できるため、各ハーネスが保持するエビデンスも解析する。 PANINI-DRは3つのベンチマークすべてで保存された証拠から最も高い回答回復率を達成する一方、補完的なクレーム支援監査は証拠支援の強い回答を示している。 この証拠に対する説明は、ハーネスの比較方法を変え、PANINI-DRの優位性をさらに強化する。

関連論文リスト

• Harness-Search: Guiding Long-Horizon Search through Multi-Agent Coordination [35.28024772708235]
  本稿では,探索やエビデンスキュレーション,終了決定などを通じて伝播する局所誤差を低減するためのマルチエージェント検索手法であるHarness-Searchを紹介する。 7つのロングホライゾン検索ベンチマークで、Harness-Searchは、同じポリシーバックボーンの下で、検索と回答の生成の両方を改善している。
  論文  参考訳（メタデータ） (2026-10-04T17:14:24Z)
• Mr.LHDR: A Benchmark for Multimodal Real-World Long-Horizon Deep Research Agents [72.19038675107662]
  ミスターL(Mr. L)は、検証可能な証拠の長い、既約の連鎖について、現実世界の深い研究を評価するためのベンチマークである。 各質問は隠されたノード関係グラフから構築され、平均12.1の中間結論を必要とする。
  論文  参考訳（メタデータ） (2026-09-10T09:47:44Z)
• 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)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• 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)
• Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems [55.04168927059962]
  推論集約的な検索は、単にトピックの類似性に一致するのではなく、下流の推論を支持する証拠を明らかにすることを目的としている。 BRIGHT-Proは、専門家による注釈付きベンチマークで、各クエリを複数アスペクトのゴールドエビデンスで拡張する。 また,相補的な正と正条件の強陰性を生成するアスペクト分解型合成コーパスであるRTriever-Synthを構築した。
  論文  参考訳（メタデータ） (2026-05-05T17:42:50Z)

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。