DualResearch：基于熵门控双图检索的答案重构
人工智能
2025-10-13 v1
摘要
深度研究框架编排外部工具以执行复杂的多步骤科学推理，这超越了单个大型语言模型的内在限制。然而，它仍然 suffer 从上下文污染、弱证据支持和脆弱执行路径。为此，我们提出 DualResearch，一个检索与融合框架，通过联合建模两种互补图来匹配工具驱动推理的认识结构：一个编码稳定背景知识的广度语义图，一个捕获执行关联性的深度因果图。每个图都有一个基于图层的相关性函数，广度上采用基于种子锚的语义扩散，深度上采用带可靠性加权的因果-语义路径匹配。为解决其异构性和查询依赖的不确定性，DualResearch 将每层路径证据转换为答案分布，并通过具有全局校准的熵门控规则在对数空间中进行融合。该融合会放大更确定的通道，并放大一致性。作为深度研究系统的补充，DualResearch 将冗长的多工具执行日志压缩为简洁的推理图，我们展示它能够稳定且有效地重构答案。在科学推理基准 HLE 和 GPQA 上，DualResearch 实现了具竞争力的性能。使用来自开源系统 InternAgent 的日志文件，其准确率在 HLE 上提高了 7.7\%，在 GPQA 上提高了 6.06\%。
引用
@article{arxiv.2510.08959,
title = {DualResearch: Entropy-Gated Dual-Graph Retrieval for Answer Reconstruction},
author = {Jinxin Shi and Zongsheng Cao and Runmin Ma and Yusong Hu and Jie Zhou and Xin Li and Lei Bai and Liang He and Bo Zhang},
journal= {arXiv preprint arXiv:2510.08959},
year = {2025}
}
备注
16 pages, 6 figures, 5 tables, Under Review