深度研究代理相关 AI 资讯

7月24日

10:19

官方账号arXiv cs.AI@Shuqi Lu, Chaofan Li, Kun Luo, Zhang Zhang, Hui Wang, Hongwang Xiao, Zheng Liu, Lei Xiong, Jiahao Wang, Sen Wang, Xiyan Jiang, Wanli Li, Yuyang Hu, Hongjin Qian, Bingyu Yan, Ziyi Xia, Yingxia Shao, Kang Liu, Zhicheng Dou, Di He, Chaozhuo Li, Qiwei Ye, Zhongyuan Wang, Zheng Liu

72°

AREX是一种递归自我改进(RSI)的深度研究代理，设计用于解决需要满足多重约束的复杂检索任务。AREX通过内循环收集证据构建临时答案，外循环逐约束审计答案并启动针对性的后续研究。其核心创新是学习一个自主上下文更新工具，将交互历史压缩为紧凑的改进状态，无需外部模型。AREX在4B密集模型和122B-A10B混合专家模型上实例化，在BrowseComp、WideSearch、DeepSearchQA、HLE等基准上显著优于可比规模基线，与使用更多激活参数的模型竞争。

推荐理由：AREX这篇论文让AI自己递归改进答案，在多个搜索和推理基准上超越了同体量模型，想了解自我优化怎么做可以看看。

原文

7月21日

11:29

官方账号arXiv cs.AI@Zhaokai Wang, Tianlin Gui, Jiayuan Rao, Shangzhe Di, Yihong Tang, Dingli Liang

WorldCupArena是一个动态基准，用于评估语言模型和深度研究代理在足球预测上的表现。它首次基于2026年FIFA世界杯的104场比赛和13个系统进行评测，模型需预测结果、比分、球员和事件等。基准报告结果准确率、精确比分准确率和比分线得分，其中比分线得分在预测接近时给予部分分数。最佳系统相比博彩市场和球迷基线在结果和精确比分准确率上仅小幅提升，但在比分线得分上表现更优。代码、提示、预测和评估脚本已在GitHub开源。

论文 WorldCupArena 语言模型深度研究代理

推荐理由：如果你想看语言模型在世界杯预测上的硬核评测，这个基准用104场真实比赛对比了13个系统，结果比博彩市场强得有限，但细节预测有亮点。

原文

6月2日

11:08

官方账号arXiv cs.AI@Jiaming Wang, Ziteng Feng, Jiangtao Wu, Ruihao Li, Qianqian Xie, Yuxiang Ren, He Zhu, Xueming Han, Fanyu Meng, Junlan Feng, Jiaheng Liu

精选72°

论文研究深度研究代理在长轨迹中的错误定位问题，指出仅靠最终答案评估无法揭示轨迹中的不可靠部分。作者收集了 2,790 条真实轨迹，通过 LLM 辅助专家标注构建了 TELBench 基准，包含 1,000 个实例用于识别错误跨度。提出 DRIFT 框架，以声明为中心审计代理轨迹，追踪声明并检查证据支持，在多个模型和审计框架上将跨度级错误定位和首次错误准确率提升最多 30 个百分点。该工作为深度研究代理的可靠性提供了过程级视角。

论文深度研究代理错误定位轨迹审计

推荐理由：做 AI 代理评估或可靠性研究的团队会感兴趣——DRIFT 框架直接解决了「只看结果不看过程」的盲区，建议点开看看方法细节。

原文

5月19日

12:55