DeepSearch-World učí vyhľadávacích agentov z vlastných overiteľných skúseností

Nový preprint DeepSearch-World sa venuje problému, ktorý bude pre agentické systémy čoraz dôležitejší: ako naučiť modely vyhľadávať, čítať zdroje, opravovať vlastné chyby a zlepšovať sa na základe skúsenosti, nie iba kopírovaním hotových trajektórií od silnejšieho modelu. Autori predstavujú prostredie DeepSearch-World a tréningový postup DeepSearch-Evolve, ktoré spájajú synteticky vytvorené viacskokové otázky s reprodukovateľnými nástrojmi na vyhľadávanie a čítanie stránok. Pre vývojárov agentov je podstatné najmä to, že nejde len o ďalší benchmark odpovedí, ale o pokus vytvoriť kontrolované ihrisko pre dlhšie postupy, v ktorých sa dá spätne overiť, či agent naozaj napredoval.

Východiskom práce je slabina dnešného tréningu nástrojovo orientovaných agentov. Supervised fine-tuning často používa vopred pripravené ukážky od učiteľa, takže model sa učí napodobňovať konkrétny štýl riešenia. Posilňovacie učenie zasa naráža na riedku odmenu: pri dlhom vyhľadávacom procese sa agent dozvie až na konci, či odpoveď sedí, ale málo sa dozvie o tom, v ktorom kroku zlyhal. DeepSearch-World preto definuje úlohy tak, aby bolo možné kontrolovať nielen finálnu odpoveď, ale aj správanie, ktoré je pre hlboké vyhľadávanie potrebné: overovanie priebežného pokroku, uzemnenú reflexiu nad nájdenými zdrojmi a zotavenie po neúspešnom pokuse.

Datová časť je veľká aj pre dnešné pomery agentických benchmarkov. Podľa abstraktu obsahuje DeepSearch-World 420-tisíc viacskokových otázok vytvorených z náhodných prechodov na úrovni entít. Takýto konštrukt má praktickú výhodu: otázka nemusí byť iba jednoduché vyhľadanie jedného faktu, ale môže vyžadovať reťazenie informácií cez viac stránok alebo entít. Zároveň ostáva prostredie deterministické a overiteľné, čo je dôležité pre porovnateľnosť experimentov. Ak má agent v každom behu iné výsledky vyhľadávača alebo číta iný obsah stránky, ťažko sa rozlišuje zlepšenie modelu od náhody v prostredí.

Samotný DeepSearch-Evolve je popísaný ako samodestilačný cyklus. Agent najprv generuje trajektórie riešenia, potom sa vyberajú alebo filtrujú použiteľné pokusy, miešajú sa s dátami a používajú sa na ďalšie dolaďovanie modelu. Dôležitý rozdiel oproti bežnej destilácii je v tom, že autori zdôrazňujú zlepšovanie bez závislosti od výkonnejšieho externého učiteľa. Ak sa tento smer potvrdí, môže znížiť náklady na tréning špecializovaných agentov a zároveň obmedziť riziko, že menšie modely budú iba lacnou kópiou jedného veľkého modelu bez vlastnej spätnej väzby.

Výsledky v abstrakte sú ambiciózne. Model DeepSearch-World-9B má dosiahnuť 31,2 % na BrowseComp, 61,5 % na GAIA a 93,4 % na HotpotQA, pričom autori tvrdia, že ide o konkurencieschopný výkon voči open-source agentom. Tieto čísla treba čítať opatrne, pretože preprint ešte neprešiel štandardným recenzným procesom a benchmarkové porovnania agentov sú citlivé na nastavenie nástrojov, limity kontextu a pravidlá prístupu k zdrojom. Napriek tomu je zaujímavé, že práca nepredáva iba skóre na jednej sade otázok, ale celú metodiku, ako vytvoriť verifikovateľnú slučku učenia.

Pre firmy, ktoré stavajú interných vyhľadávacích agentov, je pointa širšia než akademický benchmark. Väčšina podnikových agentov dnes zlyháva práve v dlhšom postupe: nájdu prvý relevantne vyzerajúci dokument, neoveria si konfliktné informácie, nezaznamenajú, prečo zmenili názor, alebo po neúspešnom dopyte iba skúsia inú formuláciu bez systematickej stratégie. DeepSearch-World upozorňuje, že tréningové prostredie má obsahovať aj tieto medzikroky, nie iba otázku a odpoveď. To je blízke tomu, čo budú potrebovať právne, finančné, výskumné či zákaznícke agentické workflow, kde nestačí mať správnu vetu, ale treba vedieť zdokumentovať cestu k nej.

Praktickým prísľubom je aj plánované zverejnenie prostredia, tréningového poolu, validačnej sady, modelu a kódu. Ak bude uvoľnenie skutočne použiteľné, komunita získa spoločný základ na testovanie samoučiacich sa webových agentov. To môže pomôcť oddeliť marketingové tvrdenia o „autonómnom výskume“ od merateľného správania v stabilnom prostredí. Zároveň však treba počítať s tým, že syntetické viacskokové otázky nemusia zachytiť všetky vlastnosti otvoreného webu: nejednoznačnosť zdrojov, aktualizované stránky, paywally, lokálne kontexty či konfliktné tvrdenia medzi dôveryhodnými inštitúciami.

Z pohľadu bezpečnosti a kvality výstupu je dôležité, že autori pracujú s pojmom uzemnenej reflexie. Agent, ktorý vie spätne pomenovať, o čo sa opiera a čo ešte nevie, je lepší kandidát na audit než systém, ktorý iba reťazí nástroje a na konci vygeneruje sebavedomú odpoveď. To však neznamená, že reflexia sama o sebe garantuje pravdivosť. V produkcii bude stále potrebné ukladať citácie, kontrolovať oprávnenia k dátam, obmedzovať nástroje podľa roly používateľa a testovať, či agent nevie obísť pravidlá prostredia podobne, ako dnešné modely obchádzajú zle navrhnuté promptové hranice.

DeepSearch-World je preto najzaujímavejší ako infraštruktúrny signál. Ukazuje, že vývoj agentov sa posúva od jednorazového promptovania k prostrediam, v ktorých sa dá trénovať, merať a replikovať celý postup hľadania odpovede. Ak sa tento typ verifikovateľných tréningových svetov rozšíri, menšie modely by mohli získavať praktickú agentickú zručnosť lacnejšie a transparentnejšie. Pre používateľov to nebude automaticky znamenať dokonale spoľahlivých agentov, ale môže to priniesť lepšie nástroje na ich porovnávanie, dolaďovanie a audit pred nasadením do reálnych rozhodovacích procesov.