Argus: Evidence Assembly for Scalable Deep Research Agents — 深度解读

1. 问题与动机

Deep research agent 的主流提效路径是测试时并行：跑 K 条独立轨迹再做 self-consistency / best-of-N / 学习式聚合。本文用一组硬数字戳破这条路径的天花板：单 Searcher（Qwen 35B-A3B）在 BrowseComp 上 55.0%，8 路多数投票只到 56.2%（+1.2），LLM 聚合 8 路也只有 56.5%（+1.5）。作者的诊断是：deep research 的答案由互补的证据碎片拼成，而并行 rollout 倾向于重复采集相同证据而非补全缺口——所有聚合方法都是事后（post-hoc）在已完成轨迹上操作，把轨迹当成"扁平的线性 trace 集合"，没有共享的'哪些证据已拿到、哪些互相支持/矛盾、哪些还缺'的表示。于是并行越多，边际收益越小，同时聚合上下文被推向模型窗口上限。这个问题此刻重要，是因为业界正用大量推理算力堆 deep research，但收益递减；需要的是把"算力扩展"转成"证据补全"而非"答案投票"。

2. 方法详解

Argus 把系统拆成两个角色。Searcher：无状态 ReAct agent，动作集 {search, visit, answer}，用 WebSailor-v2 pipeline 在约 10K 合成轨迹上 SFT，不做任何架构改动，因此对基线兼容。Navigator：维护一个有向无环证据图 𝒢=(E,C,𝒜)——E 是证据节点（带 source URL 的原始发现），C 是 claim 节点（暂定/最终断言），𝒜⊆(E∪C)×C×{+1,−1} 是带 support(+1)/contradict(−1) 标签的边。

三阶段流程：(I) Search——Navigator 把输入问题改写成多个子查询（solo 模式 1 个，parallel 模式 K 个），各自派给独立 Searcher；(II) Verify & Dispatch——把返回轨迹解析成证据/claim 节点并按 source URL 去重，由策略（而非固定规则）把每个 claim 标为 supported / contradicted / unverified，识别三类缺口（未验证 claim 需独立佐证、矛盾 claim 需权威源消解、问题维度未覆盖需定向子查询），把缺口批量打包成验证查询 𝒱 再派新 Searcher，循环 observe-verify 直到学到的终止信号触发或预算耗尽；(III) Synthesize——丢弃工作上下文，仅在 (q,𝒢) 上推理出最终答案，每个 claim 都可回溯到证据节点的 source URL。

Navigator 用 GRPO 训练，反事实对比奖励：R_i = clip(R_w/v + λ(R_w/v − R_w/o v), 0, 1)，λ=0.5；R_w/v 是用验证后图做 synthesis 的 LLM-judge 分，R_w/o v 是用验证前图的影子分（不回传梯度），这个 bonus 把"验证"的因果贡献单独隔离出来。数据为 5,298 个多跳信息检索问题（答案可验证），每题预先收集固定 Searcher 轨迹，并对 8 个评测基准做实体级去污染。训练用 64×H200 约 1.5 天（100 个 GRPO rollout step），batch=64 prompt×8 rollout=512 有效样本，lr=1e-6，KL β=0.001，clip ϵ=0.2。Rollout 是单条序列展开完整 Argus 循环，observation 用滑动窗口（15 轮，≤8 窗口）增量建图，只有 Navigator 生成的 token 回传梯度、外部输入被 mask，并用状态机强制 DAG 输出格式。Searcher 独立 SFT，不做 Argus 专属 RL。

3. 核心技术贡献

(1) 结构化证据图替代扁平轨迹聚合：把 deep research 从"对线性 trace 投票/聚合"改成"在共享图上做组合式证据拼装"，让"哪块还缺"成为可显式推理的对象。(2) 环内验证（in-loop verification）：在 synthesis 之前就识别缺口并定向派发检索，而非事后打分；对比奖励证明验证阶段全程带来稳定增益（R_w/v 始终高于 R_w/o v）。(3) 上下文与 Searcher 数解耦：把累计 25.6M Searcher token 压成 21.5K 的 Navigator 视图，约 1200:1 压缩比，使并行规模扩展不再撞上下文窗口。(4) 零样本规模迁移：在单 Searcher 轨迹上训练的 Navigator 可直接迁移到 K 路并行、甚至换底座，无需重训。消融显示完整 DAG（带 ±1 标签与验证状态）74.5%，去掉边标签降到 72.0%（−2.5），纯文本拼接 69.3%（−5.2），结构化表示净贡献 5.2 分。

4. 实验结果分析

8 个基准：BrowseComp、BrowseComp-ZH、GAIA、SEAL-0、xbench DeepSearch-2510、HLE、FrontierScience Olympiad/Research。底座 Qwen 35B-A3B：Searcher→Argus Solo→Argus Parallel(K=8) 在 BrowseComp 55.0→62.2→74.5，BrowseComp-ZH 62.3→74.4→83.4，GAIA 84.5→88.0→93.2，SEAL-0 48.9→53.2→56.2，xbench 62.0→67.0→73.0，HLE 43.2→44.2→49.8。8 基准平均：Solo +7.1，Parallel(K=8) 论文口径 +12.7；K=64 时 BrowseComp 达 86.2，超过所有对比闭源 agent（GPT-5.2、Claude-4.6-Opus、Gemini-3.1-Pro 等）。GAIA 93.2 比最强闭源高 12.6 分，SEAL-0 高 6.2 分，5/8 基准取得 SOTA。规模动态（Fig.4）：精度随 Searcher token 单调上升 55.0%(0.4M)→86.2%(25.6M)，而 Navigator synthesis 上下文仅 0.34K→21.5K，对数拟合未见硬上限。换底座（Table 2）：在 DeepSeek-V4-Flash-Max 上 Parallel +18.5、Seed-2.0-Pro +12.2，且 35B 上训练的 Navigator 零样本提升所有闭源底座。训练动态（Fig.5）显示 reward 与留出集精度同步、验证触发率上升后趋平、矛盾证据呈现"探索→固化"转变，说明学到的是有意义的验证行为而非奖励 hack。

5. 局限与未来方向

作者明确列出：(1) 推理成本高——累计 Searcher token 从 K=1 的 0.4M 涨到 K=64 的 25.6M，定位是"重型研究求解器"而非低成本/低延迟助手；(2) 墙钟延迟——高 K 时并行批中最慢的 Searcher 主导整体耗时（Navigator synthesis 仍是单次前向）；(3) 源可得性天花板——继承底层 web 源的召回上限，付费墙/不可得内容无法突破，更强 Searcher 大致线性抬升此上限；(4) 标准 agentic 风险——错误信息、版权问题，靠 per-claim 源追溯部分缓解。未提及但显见的是：LLM-judge 奖励本身的偏置会传导进策略，去污染只做到实体级、对改写型泄漏未必稳健。

6. 工业实践意义

对搜索/推荐团队最可迁移的是"调度器 + 共享证据图"这套结构，而非具体 web benchmark 分数。要点：(a) 复杂多跳问答（社区里"对比型/求证型"长尾 query）不该靠堆并发投票，而应让一个轻量协调策略显式追踪"已覆盖/有矛盾/还缺"，把算力花在补缺口上；(b) 上下文工程上，"把海量原始证据压成结构化图，synthesis 阶段只读图"是控制长上下文成本的实用范式，1200:1 的压缩比说明收益巨大；(c) 可追溯性——每个结论挂 source URL，对 UGC 问答的可信度与人工审核友好；(d) 训练-部署解耦，单 Searcher 训练、多 Searcher 部署且免重训，降低上线成本。需注意的工程约束：该方法是"重型离线/异步研究"定位，墙钟延迟受最慢分支拖累，不适合在线低延迟搜索主链路，更适合做异步"深度求证"旁路（如争议话题的事实核验、长文生成的证据准备）。落地前应先用自有多跳 query 集验证证据图的去重与矛盾标注质量，并替换 LLM-judge 为更可控的可验证奖励。