Zespół badaczy zaprezentował DeepSearch-Evolve, framework do samodzielnej destylacji agentów internetowych, który rozwiązuje problem słabej superwizji w treningu agentów tool-use. Zamiast polegać na stałych trajektoriach destylowanych przez większe modele lub na rzadkich nagrodach z uczenia ze wzmacnianiem, system iteracyjnie generuje trajektorie, filtruje je, mieszza dane i fine-tunuje model, pozwalając mu uczyć się z własnego doświadczenia.
Rdzeniem innowacji jest DeepSearch-World, weryfikowalne i deterministyczne środowisko zbudowane na 420 tys. zadań wieloskokowych QA. Każde zadanie pochodzi z losowych spacerów przez grafy encji, co tworzy realistyczne scenariusze wyszukiwania. Środowisko wspiera kluczowe zachowania agenata: weryfikację postępu, ugruntowaną refleksję i odzyskiwanie się z porażek - wszystkie elementy niezbędne do samodoskonalenia się.
Wyniki DeepSearch-World-9B pokazują siłę tego podejścia: osiągnął 31,2 proc. na benchmarku BrowseComp, 61,5 proc. na GAIA i 93,4 proc. na HotpotQA, bez jakiejkolwiek destylacji od zdolniejszych modeli. To znacząco, bo demonstruje że agenci mogą się rozwijać poprzez iteracyjne samodoskonalenie w weryfikowalnych środowiskach. Zespół planuje udostępnić całą infrastrukturę, w tym środowisko, pulę treningową, zbiór walidacyjny, model i kod.