DeepSearch-World：検証可能な環境におけるディープサーチエージェントの自己蒸留

ツールを使用するエージェントを自身の経験から改善させるトレーニングは依然として困難です。教師ありファインチューニングは固定された教師蒸留軌跡に依存し、疎な報酬の強化学習は長期間のインタラクションに対して弱い監督信号しか提供しません。この問題に対処するため、研究者らはDeepSearch-World環境に基づく自己蒸留フレームワーク「DeepSearch-Evolve」を提案しました。DeepSearch-Worldは、再現可能な検索・ページ読み取りツールを備えた決定論的かつ検証可能な環境です。この環境は、エンティティレベルのランダムウォークから構築された42万件のマルチホップQAタスクを含み、進捗確認、根拠に基づく振り返り、障害回復など、エージェントの自己進化に有用な主要な認知行動をサポートします。DeepSearch-Evolveは、軌跡生成、フィルタリング、データ混合、ファインチューニングを反復的に実行し、より強力なエージェントを訓練します。より高性能なモデルからの蒸留なしで、DeepSearch-World-9BはBrowseCompで31.2%、GAIAで61.5%、HotpotQAで93.4%を達成し、オープンソースエージェントと競争力のあるパフォーマンスを示しました。これは、検証可能な環境が長期的なウェブエージェントのスケーラブルな自己進化を可能にすることを証明しています。研究チームは、環境、42万件のトレーニングプール、検証セット、モデル、コードを公開し、自己改善型ディープサーチエージェントの将来の研究を促進する予定です。本論文は2026年7月8日にarXivに提出され、著者にはXinyu Geng氏を含む10名が名を連ねています。