两篇新的研究论文介绍了专为深度研究任务设计的先进代理系统。第一篇，QUEST，提供了一系列在合成数据上训练的开放权重模型（2B 到 35B 参数），在事实查找、引用归因和报告合成方面表现出色，可与专有代理相媲美。第二篇，Argus，提出了一个基于 35B MoE 主干构建的协作式 Searcher-Navigator 系统，该系统擅长从互补来源组装证据，在 BrowseComp 等基准测试中取得了最先进的成果，同时保持了可管理的上下文窗口。 AI
影响 这些在开放权重深度研究代理和可扩展证据组装方面的进展可能会加速知识合成，并使先进的 AI 研究能力民主化。
排序理由 两篇不同的研究论文介绍了用于深度研究任务的新代理架构和训练方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →
arXiv:2605.24218v1 Announce Type: new Abstract: Deep research agents extend the role of search engines from retrieving keyword-matched pages to synthesizing knowledge, fundamentally changing how humans interact with information. However, frontier systems remain proprietary, while…
arXiv:2605.16217v3 Announce Type: replace-cross Abstract: Deep research agents have achieved remarkable progress on complex information seeking tasks. Even long ReAct style rollouts explore only a single trajectory, while recent state of the art systems scale inference time compu…
QUEST is an open-family of deep research agents trained with synthesized data and reinforcement learning to perform well across diverse long-horizon search tasks.
Deep research agents have achieved remarkable progress on complex information seeking tasks. Even long ReAct style rollouts explore only a single trajectory, while recent state of the art systems scale inference time compute via parallel search and aggregation. Yet deep research …