今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。 核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。 关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 10 篇，入选 9 篇，分数 3.00 – 4.20
Huawei / 
Leiden University搜索过程中许多小判断，不必每次都生成一段文字。作者用专门的小模型直接给合法选项打分，遇到不确定情况再交给推理模型。在 BrowseComp-Plus 上，这套分工把主动搜索时间加速了 3.7–4.7 倍。
University of EdinburghHuawei只奖励最后答对，模型很难知道哪一次搜索有用。作者给中间检索加入证据覆盖反馈，并把奖励分配给产生证据的动作。在相同训练设置下，局部归因方案的平均 F1 比仅用最终奖励高 3.09 个点。
INSIGHT奖励衡量什么，与奖励发给谁，需要一起设计。把检索反馈平均摊给整条轨迹，会削弱它对具体搜索动作的指导。训练社区复杂问答智能体时，可记录每次检索补齐了哪一条必要证据。
Apple
CMU让小模型从已有推理方案中挑选，可以减少搜索前冗长的思考。作者把常见推理写成候选句，共享上下文并行计算各句的概率，不再逐字生成整段推理。在多模态搜索评测中，每个问题的模型推理延迟降低 28%–54%。
INSIGHT重复出现的推理可以变成可评分的选项。候选库既限制表达范围，也让多个选项共用缓存；这适合动作类型相对稳定的搜索流程。选择范围不足时，仍要给模型保留自由规划的出口。
多语言搜索智能体不能只在英语问题上验收。MAST 用同一文档集合测试跨语言找证据和回答，要求提交结果经过格式检查。项目提供 21 种语言的任务；本条日期对应工作论文提交入口的更新，并非新论文发表日。
INSIGHT把提问语言与证据语言拆开，才能看出跨语言搜索到底卡在哪里。评测还要固定答案判定器版本，否则榜单变化可能来自判分方式。社区搜索可分别查看语言覆盖、证据召回和最终答案正确率。
StanfordCMU
University of Washington
SambaNova研究智能体会反复读取旧对话，算得更多却不再进步。作者把候选方案和实测结果交给运行框架保存，每次调用只组装当前角色需要的上下文。在内核优化任务中，达到最强基线最终水平所用的词元减少超过 84%。
INSIGHT实验结果值得长期保存，整段对话未必值得。把候选、测量与任务分配写成结构化记录，可以减少重复试验。这个思路也适合长程资料研究，但论文的直接证据来自代码与算法优化任务。
智能体积累太多旧尝试后，容易围着原来的解法小修小补。作者定期清空会话和候选历史，只留下当前最好的方案重新开始。在四类开放式优化任务中，相比并行智能体的结果最多提升 15%。
INSIGHT搜索停滞时，保留最优成果、丢掉探索包袱，可能比继续加预算更有效。它与每次重建上下文的方案不同：这里连候选历史也周期性重置。适用证据来自开放式优化，尚未覆盖事实检索。
Parallel搭建研究智能体的工作量不止搜索接口。Parallel 把生产系统拆成九类组件，讨论抓取、结果整理、引用与评测的维护成本，并比较自建和接入研究接口的边界。文章提供工程选型框架，没有公布性能对照实验。
INSIGHT先确定研究质量本身是不是产品的核心能力，再决定自建范围。若优势在垂直业务流程，可以把通用搜索外包，把证据验收与领域推理留在自己手里。接口返回引用不等于结论已经通过核验。
企业回答常需要同时查文档和实时业务记录。Progress 让智能体拆分问题，选择数据源，再检查证据是否足够；新增两类入口是业务系统连接与网页搜索。文章介绍产品能力，没有给出准确率或延迟对照实验。
INSIGHT实时业务数据不一定要先复制进文档索引。检索控制器可以在需要时调用业务接口，再与静态文档共同引用。落地时最值得检查的是记录的新鲜度、访问权限和跨来源证据能否对应到具体结论。
Thomson Reuters法律研究需要让读者看清每一步推断来自哪里。CoCounsel 将计划、资料检索和带引用的报告串起来，结合内容更新与人工核查。文章提到约 1,500 名律师编辑支持内容维护，但没有提供研究准确率对照。
INSIGHT可信研究依赖可追溯的推理过程，也依赖持续维护的资料。社区复杂问答可以借鉴结论到原文的检查路径，以及来源更新后重查的机制；法律数据库与编辑团队的资源条件则与开放社区不同。