مقاله‌ی arXiv:2610.13075 · در صف خبرنامه
LongHarness: Advancing Agentic Reasoning over 100M-Token Corpora via Stateful Evidence Management
هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Songtao Huang, Zhijie Zhong, Xiaohan He, Shuaiyu Zhang, Zhiyin Yu, Li Kang, Heng Zhou, Yutao Fan, Xiangchao Yan, Bo Zhang, Shiyang Feng
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت دو خطای به‌هم‌پیوسته می‌سازد: کاوش بی‌پایان، که بازیابی تاریخچه را بزرگ می‌کند بدون پر کردن کمبود اطلاعاتی مهم، و «رانش وضعیت شواهد»، که شواهد قبلی یا اصلاح‌های بعدی به نتیجه‌ی فعلی نمی‌رسند.
روش
هارنس مستقل از مدل LongHarness تعامل بین شواهد و نتیجه‌ها را صریح می‌کند. سازوکار اصلی آن، «هم‌تکاملی شواهد و نتیجه»، از نتیجه‌های حل‌نشده برای هدایت کاوش به سمت اطلاعات کم استفاده می‌کند و شواهد تازه نتیجه‌هایی را که جست‌وجو را هدایت کرده‌اند تقویت یا اصلاح می‌کنند. «مدیریت چرخه‌ی عمر شواهد» هم شواهد انباشته را در طول تعامل به‌روز و قابل ردیابی نگه می‌دارد.
یافته‌ها
- در مقایسه با استدلال مستقیم با همان مدل، دقت تطبیق کامل GLM-5.3-Flash را روی OfficeQA Pro از ۱۵٫۸ به ۶۰٫۲ درصد در نسخه‌ی اول و از ۴٫۴ به ۶۱٫۱ درصد در نسخه‌ی دوم رساند.
- در نسخه‌ی اول ۱۲ واحد درصد از Claude Code و در نسخه‌ی دوم ۱۸٫۹ امتیاز از Codex بهتر بود.
- با Qwen3.8-Flash روی نسخه‌ی اول به ۶۱٫۷ درصد رسید، ۸٫۳ امتیاز بالاتر از Claude Code و ۱۲ امتیاز بالاتر از Codex.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ ارزیابی با دو مدل سریع و چهار بنچمارک انجام شده است.
چرا مهم است
پرسش روی آرشیو بزرگ اسناد یکی از کاربردهای پرتقاضای ایجنت‌هاست. این کار نشان می‌دهد صریح کردن رابطه‌ی شواهد و نتیجه‌ها، یک مدل سریع و ارزان را از هارنس‌های تجاری شناخته‌شده جلو می‌اندازد.