Naukowcy opracowali DeepSearch-Evolve, nowy framework do trenowania agentów internetowych, którzy mogą się ulepszać z własnego doświadczenia bez konieczności destylacji wiedzy od bardziej zaawansowanych modeli. Problem polega na tym, że klasyczne podejścia - albo używają stałych trajektorii od nauczyciela, albo polegają na słabym sygnale od uczenia się ze sparsem nagrodzeniem w długoterminowych zadaniach.
Rdzeniem systemu jest DeepSearch-World - determinristyczne, weryfikowalne środowisko zawierające 420 tysięcy zadań QA opartych na spacerach losowych po grafach encji. Środowisko wspiera kluczowe zachowania agentów: weryfikację postępu, ugruntowaną refleksję i odzyskiwanie się z porażek. DeepSearch-Evolve działa iteracyjnie - generuje trajektorie, filtruje je, mieszanad dane i fine-tunuje model, co pozwala agentom stopniowo się ulepszać. Model DeepSearch-World-9B z 9 miliardami parametrów osiągnął imponujące wyniki: 31,2% dokładności na benchmarku BrowseComp, 61,5% na GAIA i 93,4% na HotpotQA.
To jest istotne, bo pokazuje że agenci do głębokich wyszukiwań mogą się samouczić w weryfikowalnych środowiskach bez dostępu do większych nauczycieli. Autorzy obiecali udostępnić całe środowisko, zbiór 420K zadań treningowych, zbiór walidacyjny, model i kod, co powinno znacznie przyspieszyd rozwój samouczących się agentów internetowych i systemów wyszukiwania.