标签
论文提出 HybridResearcher，一个 4B 小型深度研究智能体，通过合成跨源轨迹与强化学习在结构化与非结构化数据之间进行推理，在 HybridDeepResearch 基准上超越更大的 Qwen3.5-397B-A17B，同时不遗忘单源能力。
GRADS 提出一种图引导的智能体数据合成框架，通过维护证据与推理依赖图实现可控难度的多跳任务生成；经 SFT 与 RL 后训练后，4B 模型在软件工程、科学与安全领域基准上匹配或超越 Sonnet 4。
LifeSearch 推出了一项包含 203 个中英文任务的基准，用于评估深度研究智能体在现实生活和生产力场景中的表现，涵盖 4,000 多条专家编写的评分细则，并对 12 个先进智能体进行了实验，发现即使是表现最好的前沿智能体（GPT-5.6 Sol），得分也仅为 63.4%。
DeepRewind 引入了一个增量式控制层，将深度研究智能体的认知状态建模为带类型的图，并利用基于提示的世界模型和一致性监控器来阻止并修复过早承诺，在 DRBench 和 LiveDRBench 上将其减少了 59.1%。
DAGent（NeurIPS 2026）提出了一种基于 DAG 的多智能体框架，采用“先评估、后生长”（Evaluate-then-Grow）的增量规划机制：Orchestrator 根据节点置信度逐批扩展任务图；同时提出 DAGRPO——一种以拓扑结构为条件的强化学习算法，在深度研究基准测试上超越了 GRPO。
本文介绍了 Question's Gambit，一个首次移动检索模块，通过分解问题并提供排名上下文来提高深度研究代理在迭代搜索前的性能，在 BrowseComp-Plus 上显示出显著的准确率提升。
WorldCupArena 是一个动态基准，用于评估语言模型和深度研究智能体在足球比赛预测方面的表现，首次评估使用2026年国际足联世界杯。它将模型预测与实际结果进行比较，提供超越结果准确率的细粒度评分。
康奈尔大学的新研究表明，来自Reddit或Wikipedia等网站上仅13个字的用户生成文本片段，就能用来操纵ChatGPT和Google AI Search等AI搜索工具，凸显了AI信息检索中日益严重的漏洞。
本文介绍了一个以声明为中心的审计框架，用于识别深度研究Agent轨迹中的错误跨度，并提出了新基准TELBench，改进了过程级可靠性评估。
DR³-Eval 是一个基准测试，用于评估深度研究代理在多模态、多文件报告生成中的表现，它通过真实的网络环境模拟和全面的评估框架，衡量信息召回、事实准确性、引用覆盖率、指令遵循和深度质量。