arXiv cs.AI· M. Yigit Turali, Shreyas Rajesh, M. Efe Lorasdagi, Chenda Duan, Kartik Sharma, Vwani Roychowdhury·· 3 天前AI 评分36
PANINI-DR：通过生成式语义工作空间实现可控深度研究
PANINI-DR: Controlled Deep Research through Generative Semantic Workspaces
AI 导读
PANINI-DR 是一个多智能体深度研究框架，将整体调查协调与子问题研究、验证分离，基于 Generative Semantic Workspace 构建共享工作空间记录子问题、依赖关系、发现与证据。
正文 · AI 翻译
摘要：深度研究需要将搜索、推理和计算的多个步骤连接起来，中间发现会指导下一步要调查的内容。随着调查的深入，智能体必须在多次模型调用之间维护研究状态，并在错误传播到后续工作之前检查发现。我们提出 PANINI-DR，一种多智能体框架，将整体调查的协调与各个子问题的研究和验证分离。一个基于生成语义工作区（Generative Semantic Workspace）表示构建的共享工作区，记录子问题、其依赖关系、发现和支持性证据。研究人员调查各个子问题，而单独的验证智能体则根据这些子问题及其证据检查所提出的答案。验证反馈指导进一步的调查，记录的发现为后续任务分配提供信息。我们在 BrowseComp-Plus、FRAMES 和 MoNaCo 上，针对七个最先进的深度研究框架，全部使用共享的语言模型骨干和冻结语料库，对 PANINI-DR 进行评估。PANINI-DR 在三个基准上取得了最强的平均性能。在 BrowseComp-Plus 上，它达到 73.3% 的准确率，比次优框架高出 16.0 个百分点。其优势在困难问题上最为明显，它回答的困难问题数量几乎是次优框架的两倍。消融实验进一步表明，结构化规划和持久状态能提升性能，在每条发现被复用之前对照其引用的证据进行检查也能提升性能。由于模型仅凭记忆就能正确回答，我们还分析了每个框架保留的证据。PANINI-DR 在三个基准上均实现了从保存证据中恢复答案的最高可恢复性，而互补的论断支持审计则显示出更强的有证据支持的答案。将这一证据纳入考量会改变框架之间的比较，并进一步增强 PANINI-DR 的优势。
| 评论： | 正在 ICLR 2027 审稿中。37 页，1 张图，22 张表。M. Yigit Turali 和 Shreyas Rajesh 贡献相同 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；信息检索（cs.IR） |
| ACM 分类： | I.2.7; I.2.11; H.3.3 |
| 引用为： | arXiv:2610.15208 [cs.CL] |
| （或 arXiv:2610.15208v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15208 arXiv 通过 DataCite 颁发的 DOI（待注册） |
提交历史
发件人：Mehmet Yigit Turali [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 22:42:08 UTC（583 KB）
来源：arXiv cs.AI · arxiv.org