مقاله‌ی arXiv:2610.15208 · در صف خبرنامه
PANINI-DR: Controlled Deep Research through Generative Semantic Workspaces
پژوهش عمیق کنترل‌شده با یک فضای کاری معنایی مشترک و ایجنت تأییدکننده‌ی جدا
- تاریخ
- (۱۸ مهر ۱۴۰۵) 2026-10-10 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- M. Yigit Turali, Shreyas Rajesh, M. Efe Lorasdagi, Chenda Duan, Kartik Sharma, Vwani Roychowdhury
- نهاد نویسنده‌ها
- University of California, Los Angeles
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
پژوهش عمیق نیاز دارد چند قدم جست‌وجو، استدلال و محاسبه به هم وصل شوند و یافته‌های میانی مسیر بررسی بعدی را تعیین کنند. با بزرگ شدن پژوهش، ایجنت باید وضعیت پژوهش را بین فراخوانی‌های مدل نگه دارد و یافته‌ها را پیش از این‌که خطا به کار بعدی منتقل شود بررسی کند.
روش
هارنس چندایجنتی PANINI-DR هماهنگی کل پژوهش را از پژوهش و تأیید زیرپرسش‌ها جدا می‌کند. یک فضای کاری مشترک، بر پایه‌ی بازنمایی Generative Semantic Workspace، زیرپرسش‌ها، وابستگی‌هایشان، یافته‌ها و شواهد پشتیبان را ثبت می‌کند. پژوهشگرها زیرپرسش‌ها را بررسی می‌کنند و یک ایجنت تأییدکننده‌ی جدا پاسخ‌های پیشنهادی را با زیرپرسش و شواهدش می‌سنجد؛ بازخورد تأیید بررسی بعدی را هدایت می‌کند.
یافته‌ها
- روی BrowseComp-Plus، FRAMES و MoNaCo در برابر هفت هارنس پژوهش عمیق پیشرو با مدل پایه‌ی مشترک و مجموعه‌ی سند ثابت، قوی‌ترین میانگین را داشت؛ روی BrowseComp-Plus به دقت ۷۳٫۳ درصد رسید، ۱۶ امتیاز بالاتر از بهترین بعدی.
- برتری‌اش روی پرسش‌های سخت بیشتر بود و تقریباً دو برابر بهترین بعدی پاسخ داد؛ آزمایش‌های حذفی نشان دادند برنامه‌ریزی ساختاریافته، وضعیت پایدار و بررسی هر یافته با شواهد استنادشده کارایی را بالا می‌برند.
- چون مدل ممکن است از حافظه‌ی خودش درست جواب دهد، شواهد ذخیره‌شده هم بررسی شد: PANINI-DR در هر سه بنچمارک بیشترین قابلیت بازیابی پاسخ از شواهد ذخیره‌شده را داشت.
محدودیت‌ها
نویسنده‌ها در بخش محدودیت‌ها و جمع‌بندی محدودیت مشخص و جداگانه‌ای برای روش نام نمی‌برند؛ مقاله در حال داوری است.
چرا مهم است
پژوهش عمیق بدون وضعیت صریح و تأیید، خطاهای کوچک را بزرگ می‌کند. این کار نشان می‌دهد ساختار و تأیید، هم دقت و هم پشتیبانی پاسخ با شواهد را بهتر می‌کند.