論文の概要: DiffResearch: Accelerating Deep Research with Diffusion Language Models

• arxiv url: http://arxiv.org/abs/2610.28909v1
• Date: Tue, 20 Oct 2026 20:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.142482
• Title: DiffResearch: Accelerating Deep Research with Diffusion Language Models
• Title（参考訳）: DiffResearch: 拡散言語モデルによる深層研究の加速
• Abstract要約: DiffResearchは、拡散言語モデルを各ステージのコアに配置するオープンなマルチエージェントディープリサーチフレームワークである。 100のDeep Research Benchタスクのうち、拡散バックボーンはエンドツーエンドの約6倍高速である。 また、中間復調状態を読み出し、生成が完了する前にサブクエリを抽出する分解モードであるdFastを導入する。
• 参考スコア（独自算出の注目度）: 0.23332469289621785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep research systems iteratively plan, gather evidence, synthesize, and revise, making end-to-end latency a key bottleneck for interactive use. Almost all production systems are built on autoregressive (AR) language models and inherit left-to-right decoding in planning and long-form writing. We present DiffResearch, an open multi-agent deep research framework that places a diffusion language model (dLLM) at the core of every stage, and measure how a diffusion backbone changes latency and report quality. Holding the agentic scaffold, retrieval code, prompts, and evaluation fixed, we swap the backbone between an open diffusion model and a comparable AR model. Across 100 Deep Research Bench tasks, the diffusion backbone is roughly 6 times faster end-to-end, driven by order-of-magnitude reductions in planning and writing. We further introduce dFast, a decomposition mode that reads intermediate denoising states and extracts subqueries before generation finishes, providing a 1.99 times median speedup for decomposition in isolation with no loss of report quality. On the benchmark's RACE rubric, dFast obtains the best overall score among the three configurations. Finally, in a public system-level leaderboard snapshot, an instance built on a stronger diffusion model ranks above several commercial systems. We release DiffResearch under an Apache-2.0 license.
• Abstract（参考訳）: ディープリサーチシステムは、反復的に計画し、エビデンスを集め、合成し、修正し、エンドツーエンドのレイテンシをインタラクティブな使用において重要なボトルネックにする。 ほぼすべてのプロダクションシステムは、自動回帰(AR)言語モデルに基づいて構築され、プランニングとロングフォームの書き込みにおいて、左から右へのデコーディングを継承する。 DiffResearchは、拡散言語モデル(dLLM)を各ステージのコアに配置し、拡散バックボーンが遅延とレポート品質をどのように変化させるかを測定するオープンなマルチエージェントディープリサーチフレームワークである。 エージェントの足場、検索コード、プロンプト、評価を固定し、オープン拡散モデルと同等のARモデルの間でバックボーンを交換する。 100のDeep Research Benchタスクにまたがって、拡散バックボーンは、計画と記述のオーダー・オブ・マグニチュード削減によって、エンド・ツー・エンドの約6倍高速になる。 さらに,中間復調状態を読み出し,生成終了前にサブクエリを抽出する分解モードであるdFastを導入する。 ベンチマークのRACEルーブリックでは、dFastは3つの構成の中で最高のスコアを得る。 最後に、パブリックシステムレベルのリーダボードスナップショットでは、より強力な拡散モデル上に構築されたインスタンスが、いくつかの商用システムより上位にランクされている。 DiffResearchをApache-2.0ライセンスでリリースしています。

関連論文リスト

• DiffuPlan: Editable Planning State for Diffusion Language Model Agents [12.022151537259296]
  そこで我々はDiffuPlanという拡散探索エージェントを紹介した。DiffuPlanは、後続の証拠が実体を解決したり、探索経路を変更したりするときに、影響を受けるステップのみを再構築する。 4つのマルチホップQAベンチマークの中で、DiffuPlanは50.24の平均F1を達成し、強力なAR検索エージェントを上回っている。
  論文  参考訳（メタデータ） (2026-10-17T14:30:22Z)
• DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning [58.09293442211248]
  Deep Research(DR)は、複雑でオープンな研究課題に取り組むための新しいエージェントパラダイムとして登場した。 本稿では,Qianfan Agent Foundry上に構築されたマルチエージェントDRフレームワークであるDuMate-DeepResearchを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T14:10:48Z)
• Improving Coherence and Persistence in Agentic AI for System Optimization [9.443037059325086]
  Engramは、反復的にメカニズムを設計、テスト、分析する一連のエージェントを探索する。 本研究では,マルチクラウドマルチキャスト推論,LLM要求ルーティング,自然言語クエリを用いたデータベースにおけるKVキャッシュ再利用の最適化など,さまざまな領域において優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-22T17:04:50Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Discrete Diffusion in Large Language and Multimodal Models: A Survey [61.86669998363359]
  離散拡散言語モデル(dLLMs)と離散拡散多モード言語モデル(dMLLMs)の体系的調査を行う。 自己回帰(AR)モデルとは異なり、dLLMsとdMLLMsはマルチトークンの並列デコーディングパラダイムを採用しており、フルアテンションとデノナイジングに基づく生成戦略を採用している。 我々は、dLLMとdMLLMの歴史的発展を辿り、基礎となる数学的枠組みを定式化し、一般的なモデリング手法を列挙し、代表モデルを分類する。
  論文  参考訳（メタデータ） (2025-06-16T17:59:08Z)
• Transfer Learning for Text Diffusion Models [16.97230119564891]
  我々は,大規模言語モデル(LLM)の訓練と展開において,自己回帰(AR)デコーディングを置き換えるためのテキスト拡散の可能性を探る。 我々はAR2Diff'と呼ばれる軽量適応手法を用いて、事前訓練されたARモデルをテキスト拡散モデルに変換する。
  論文  参考訳（メタデータ） (2024-01-30T17:11:56Z)
• FastDiff: A Fast Conditional Diffusion Model for High-Quality Speech Synthesis [90.3069686272524]
  本稿では,高品質音声合成のための高速条件拡散モデルであるFastDiffを提案する。 FastDiffは、長期の依存関係を効率的にモデル化するために、さまざまな受容的フィールドパターンの時間認識可能な位置可変の畳み込みを使用する。 我々は、FastDiffに基づいて、高忠実度音声波形を生成するエンドツーエンドのテキスト音声合成器FastDiff-TTSを設計する。
  論文  参考訳（メタデータ） (2022-04-21T07:49:09Z)

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。