論文の概要: HybridResearcher: Bridging the Structured-Unstructured Boundary for Deep Research Agents

• arxiv url: http://arxiv.org/abs/2610.24899v1
• Date: Sat, 17 Oct 2026 22:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.991289
• Title: HybridResearcher: Bridging the Structured-Unstructured Boundary for Deep Research Agents
• Title（参考訳）: HybridResearcher:Deep Research Agentのための構造化されていない境界をブリッジする
• Abstract要約: 構造的および非構造的境界を越えて証拠をブリッジする4BエージェントであるHybridResearcherを紹介する。 我々は、教師付き微調整と強化学習を用いて、キュレートされたデータセットを訓練する。 既存のHybridDeepResearchベンチマークから評価すると、HybridResearcherはベースモデルよりも改善されています。
• 参考スコア（独自算出の注目度）: 82.46910633945792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While LLM agents are increasingly capable of gathering and synthesizing evidence from a single homogeneous source, such as structured tables or unstructured data, real-world analytical questions frequently span heterogeneous sources. For example, answering one enterprise question may require both a result computed over an internal database and evidence found on the web. Recent evaluations on benchmarks like HybridDeepResearch show that even frontier agents struggle when evidence must cross this boundary. While these benchmarks have exposed the limitation, methodologies to explicitly teach cross-source reasoning remain absent. To address this, we introduce HybridResearcher, a 4B agent trained to bridge evidence across the structured and unstructured boundary. To build it, we synthesize cross-source bridge trajectories by starting with validated single-source tasks-such as existing text-to-SQL or web search queries-and fabricating the missing source around a bridge entity drawn from the seed's own output. We retain a sample only when strict construction gates confirm that neither side alone suffices, ensuring the data requires true cross-source interdependence. Finally, we train on this curated dataset using supervised fine-tuning followed by reinforcement learning. Evaluated on the existing HybridDeepResearch benchmark, HybridResearcher improves over our base model, Qwen3.5-4B, by 30.0 points pass@8 and surpasses the far larger Qwen3.5-397B-A17B by 8.3 points, while also improving over its base model on established, held-out single-source benchmarks (BrowseComp and BrowseComp-Plus), demonstrating that this complex cross-source reasoning can be taught directly to small models without triggering catastrophic forgetting.
• Abstract（参考訳）: LLMエージェントは、構造化テーブルや非構造化データのような単一の均質な情報源から証拠を集め、合成する能力がますます高まっているが、実世界の分析問題は、しばしば異質な情報源にまたがる。 例えば、ある企業の質問に答えるには、内部データベース上で計算された結果と、Webで見つかった証拠の両方が必要である。 HybridDeepResearchのようなベンチマークの最近の評価によると、証拠が境界を越えた場合、フロンティアエージェントでさえ苦労している。 これらのベンチマークは制限を明らかにしているが、クロスソース推論を明示的に教える方法論はいまだに存在しない。 これを解決するために,構造的および非構造的境界を越えて証拠をブリッジする4BエージェントであるHybridResearcherを紹介する。 そこで我々は,既存のテキスト・トゥ・SQLやWeb検索クエリなど,検証済みの単一ソースタスクから始めることで,クロスソースブリッジトラジェクトリを合成する。 厳密な構築ゲートがいずれの側も満足せず、データが真のクロスソース相互依存性を必要とすることを確認した場合のみ、サンプルを保持します。 最後に、教師付き微調整と強化学習を用いて、このキュレートされたデータセットを訓練する。 既存のHybridDeepResearchベンチマークに基づいて、HybridResearcherはベースモデルであるQwen3.5-4Bを30.0ポイントのpass@8で改善し、はるかに大きなQwen3.5-397B-A17Bを8.3ポイントで上回り、また、確立されたホールドアウトシングルソースベンチマーク(BrowseCompとBrowseComp-Plus)のベースモデルも改善した。

関連論文リスト

• Benchmarking Hybrid Deep Research Across Database Querying and Web Search [35.12550152156569]
  HybridDeepResearchは、Web検索とリレーショナルデータベースの両方が完全な検証可能な回答を形成する必要がある最初のベンチマークである。 GLM-5.2、Claude-Sonnet-4.6、GPT-5のような最先端モデルはハードサブセットで50-54%のPass@8しか達成していない。 その結果、方向推論は平行交叉よりもかなり難しいことが判明した。
  論文  参考訳（メタデータ） (2026-09-08T20:05:09Z)
• Agentic-SQL Revisited: Autonomy-Based Taxonomy and Empirical Benchmark Analysis for LLM Text-to-SQL [4.995851820969809]
  メトリクスの著者がレポートを収集し、推論と自律の軸に沿ってそれらを整理します。 我々は8Bのオープンソースバックボーンとチェーン・オブ・シークレットの監督なしに、Spiderのケーススタディを実行する。 スパイダーゲインはBIRDとSpider2.0に不均一に移行し、自律性は非自明なコストで堅牢性を取得する。
  論文  参考訳（メタデータ） (2026-08-15T19:40:05Z)
• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• DEEPRUBRIC: Evidence-Tree Rubric Supervision for Efficient Reinforcement Learning of Deep Research Agents [17.420077157633852]
  報奨に基づく強化学習は、レポート品質を報奨信号に変換するチェック可能な基準に最適化することにより、ディープリサーチエージェントを改善する。 既存の研究の多くは、LLMに与えられたクエリに対してルーリックを生成するよう求めているが、モデルが基盤となる情報要求を推測できない場合、生成されたルーリックは不完全であり、RL効率を低下させる可能性がある。 より信頼性の高いクエリ-ルーブリックの監視を得るために、このプロセスを逆転するデータ構築フレームワークであるDeepRubricを紹介します。
  論文  参考訳（メタデータ） (2026-06-15T17:52:27Z)
• DeepWeb-Bench: A Deep Research Benchmark Demanding Massive Cross-Source Evidence and Long-Horizon Derivation [2.0095457635839455]
  最先端の研究製品は、既存のベンチマークで高いスコアを得ます。 現在のフロンティアの既存のベンチマークよりもはるかに難しいベンチマークであるDeepWeb-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-05-20T17:59:03Z)
• ORBIT: Scalable and Verifiable Data Generation for Search Agents on a Tight Budget [56.6320292944541]
  ORBITは20Kの推論集約クエリと短い検証可能な回答を備えたトレーニングデータセットである。 私たちのフレームワーク、コード、データセットはオープンソースで公開されています。
  論文  参考訳（メタデータ） (2026-04-01T17:42:41Z)
• Semantic Bridge: Universal Multi-Hop Question Generation via AMR-Driven Graph Synthesis [3.1427813443719868]
  大きな言語モデル(LLM)のトレーニングは、高品質で推論集約的な質問応答ペアの不足という、重大なボトルネックに直面します。 textbfSemantic Bridgeは、任意の情報源から洗練されたマルチホップ推論質問を制御可能とする最初の普遍的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T10:59:42Z)
• Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
  検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。 RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。 製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
  論文  参考訳（メタデータ） (2025-06-29T08:34:59Z)

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。