Argus：面向可扩展深度研究智能体的证据组装
计算与语言
2026-05-21 v3 人工智能
信息检索
摘要
深度研究智能体在复杂信息寻求任务方面取得了显著进展。即使是长期ReAct风格的 rollouts 也只探索单一轨迹，而最新SOTA系统通过并行搜索和聚合来扩展推理时间计算资源。然而，深度研究答案由互补的证据片段组成，而并行 rollouts 往往会重复而非补全这些片段，导致报酬递减，并将聚合上下文推向模型限制。我们提出Argus，一种智能体系统，其中Searcher与Navigator合作，将深度研究视为从互补证据片段中拼装拼图，而非粗暴地并行获取完整答案。Searcher通过ReAct风格交互收集给定子查询的证据轨迹。Navigator维护共享的证据图，验证哪些证据仍缺失，派遣Searchers收集它们，并对已完成的图进行推理以生成可追溯的最终答案。我们通过强化学习训练Navigator以实现验证、派遣和综合，而Searcher独立训练为标准ReAct智能体。 resulting Navigator支持单Searchers或多Searchers的rollouts，无需重新训练。基于35B-A3B MoE backbone的Searcher和Navigator，Argus在单个Searchers下提升5.5分，在8个基准中平均提升12.7分。64个Searchers时，在BrowseComp上达到86.2，超越我们基准测试的所有专有智能体，而Navigator的推理上下文保持在21.5K token以下。
关键词
引用
@article{arxiv.2605.16217,
title = {Argus: Evidence Assembly for Scalable Deep Research Agents},
author = {Zhen Zhang and Liangcai Su and Zhuo Chen and Xiang Lin and Haotian Xu and Simon Shaolei Du and Kaiyu Yang and Bo An and Lidong Bing and Xinyu Wang},
journal= {arXiv preprint arXiv:2605.16217},
year = {2026}
}