مقاله‌ی arXiv:2610.11566 · در صف خبرنامه
Incremental Open-Ended Deep Research with Structured Harness
پژوهش عمیق باز افزایشی با هارنس ساختاریافته: به‌روزرسانی گزارش به جای نوشتن از صفر
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Meilin Chen, Hongyuan Bao
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
سیستم‌های پژوهش عمیق باز عمدتاً گزارش را از صفر تولید می‌کنند، که برای گزارش‌هایی که باید با رسیدن اطلاعات تازه پیوسته نگه‌داری شوند ناکارآمد است. مثلاً گزارشی درباره‌ی بازار خودروهای برقی هر ماه باید به‌روز شود، اما بازنویسی کامل هر بار هزینه دارد و بخش‌های معتبر قبلی را هم بی‌دلیل عوض می‌کند.
روش
نویسنده‌ها تنظیم «پژوهش عمیق باز افزایشی» را تعریف کردند که گزارش را یک وضعیت پژوهشی در حال تکامل می‌بیند و آن را با حفظ دانش معتبر، اصلاح محتوای کهنه یا ناقص و افزودن اطلاعات تازه به‌روز می‌کند. هارنس ساختاریافته گزارش را مجموعه‌ای از طرح کلی، بخش‌ها و شواهد پشتیبان نشان می‌دهد و بازیابی ساختاریافته، مخزن پایدار شواهد و تولید ساختاریافته برای به‌روزرسانی انتخابی دارد. یک چارچوب ارزیابی زمانی ده‌ساله با تسک‌های تک‌گامی و زنجیره‌ای هم ساخته شد.
یافته‌ها
- روی DeepResearch Bench و DeepConsult، در پیکربندی متن‌باز و اختصاصی، کیفیت گزارش رقابتی ماند و پیوستگی گزارش خیلی بهتر و هزینه‌ی پژوهش کمتر شد.
- روی DeepResearch Bench نسبت به روش غیرافزایشی تا ۰٫۵۱ امتیاز ROUGE-L بیشتر در سطح محتوا، تا ۰٫۶۳ امتیاز تطابق بیشتر در سطح طرح کلی، ۳۳ درصد توکن کمتر و ۶۱ درصد فراخوانی جست‌وجوی کمتر داشت.
محدودیت‌ها
نویسنده‌ها می‌گویند ارزیابی زمانی به محدودسازی زمانی جست‌وجوی Tavily متکی است که نمی‌تواند تغییر محتوای یک صفحه در طول زمان را شبیه‌سازی کند، و بنچمارک‌های موجود برای نگه‌داری افزایشی گزارش طراحی نشده‌اند.
چرا مهم است
بیشتر گزارش‌های پژوهشی واقعی زنده‌اند و باید به‌روز بمانند. این کار نشان می‌دهد به‌روزرسانی ساختاریافته هم ارزان‌تر است و هم گزارش را پایدارتر نگه می‌دارد.