Resumen Técnico: AgentCPM-Report

Declaración del Problema

La investigación profunda de carácter abierto requiere que los agentes naveguen por vastos paisajes de información y sinteticen los hallazgos en informes coherentes y perspicaces. Los modelos de lenguaje actuales enfrentan desafíos significativos en este dominio, debido principalmente a las limitaciones de los paradigmas existentes:

1. Recuperación y Escritura (Retrieval-then-Write): Los enfoques tempranos generan contenido secuencialmente basándose en la evidencia recuperada. Aunque son flexibles, esto a menudo conduce a la incoherencia en horizontes largos.
2. Planificación y Escritura (Plan-then-Write): Los marcos más recientes (por ejemplo, WebWeaver) congelan un esquema exhaustivo antes de escribir para asegurar la consistencia estructural. Sin embargo, este paradigma asume una completitud de información inicial, lo cual es frecuentemente vulnerado en la investigación abierta. Separa rígidamente la planificación de la escritura, impidiendo que los agentes capturen los conocimientos emergentes que solo surgen durante el proceso de redacción. Esto crea un "techo de perspicacia" donde los informes son estructuralmente sólidos pero intelectualmente superficiales.
3. Dependencia de Modelos Grandes: La construcción de esquemas iniciales de alta calidad demanda un razonamiento fuerte y conocimiento de dominio, obligando a la mayoría de los sistemas a depender de modelos grandes de código cerrado o en línea. Esta dependencia introduce barreras prácticas para el despliegue, particularmente en lo que respecta a la seguridad y privacidad al manejar datos locales creados por el usuario.

Existe una necesidad crítica de una solución totalmente local y en el dispositivo que no dependa de modelos externos a gran escala y que, al mismo tiempo, supere el techo de perspicacia de la planificación estática.

Metodología: AgentCPM-Report

Los autores proponen AgentCPM-Report, un agente de investigación profunda ligero (de 8 mil millones de parámetros) construido sobre un nuevo marco llamado WARP (Writing As Reasoning Policy - Escritura como Política de Razonamiento).

1. El Marco WARP

WARP reformula la investigación profunda como un proceso de refinamiento iterativo a nivel de política, donde las decisiones de planificación emergen dinámicamente de la propia escritura. En lugar de un plano estático, el agente alterna entre dos macroestados:

• Redacción Basada en Evidencia: El agente convierte los planes estructurales en contenido fundamentado. Utiliza una estrategia de "recuperar y escribir" donde las consultas de recuperación están condicionadas a la narrativa acumulada para asegurar la consistencia contextual. El contenido se basa en la evidencia recuperada para garantizar la fidelidad.
• Profundización Impulsada por el Razonamiento: El agente trata el borrador recién generado como una nueva observación para el razonamiento. Evalúa la densidad semántica y la coherencia lógica del borrador actual para detectar brechas o argumentos superficiales. Si falta profundidad, el agente descompone autónomamente las secciones de alto nivel en indagaciones granulares, actualiza el esquema dinámico y activa un ciclo de redacción dirigido.

Este bucle permite al agente descubrir y cerrar las brechas lógicas que emergen solo durante la articulación de argumentos concretos, imitando el proceso humano de "transformación del conocimiento".

2. Entrenamiento Agéntico Multietapa

Entrenar modelos pequeños (8B) para este tipo de toma de decisiones de largo horizonte no es trivial debido a los puntos de terminación ambiguos y las recompensas dispersas. Los autores introducen un currículo de tres etapas:

• Arranque en Frío (SFT): Establece el seguimiento de instrucciones básico y la adherencia al formato utilizando datos de trayectoria.
• RL de Habilidades Atómicas: Descompone el objetivo global en habilidades atómicas (Planificación, Recuperación, Escritura, Toma de Decisiones). El agente es entrenado con funciones de recompensa específicas para cada habilidad (por ejemplo, la recuperación de relevancia para la recuperación, la fidelidad para la escritura) para dominar la ejecución local antes de optimizar la estrategia global.
• RL de Pipeline Holístico: Cambia hacia la optimización de extremo a extremo de la calidad del informe final (Integralidad, Perspicacia). Esta etapa utiliza una estrategia de poda de trayectoria donde los modelos de enseñanza son forzados a "sobre-expandir" recursivamente. El sistema identifica entonces retroactivamente el punto de parada óptimo basado en las puntuaciones del informe, podando la trayectoria para proporcionar una señal de supervisión para la saturación de la información. Esto enseña al agente a terminar basándose en la calidad y no en la imitación arbitraria.

Contribuciones Clave

1. Marco WARP: Una reformulación a nivel de política que entrelaza la redacción y la profundización, permitiendo la evolución dinámica del esquema y rompiendo el techo de perspicacia de la planificación estática.
2. Entrenamiento Agéntico Multietapa: Una estrategia de currículo que combina el arranque en frío, el RL de habilidades atómicas y el RL de pipeline holístico, diseñado específicamente para manejar la asignación de crédito de largo horizonte y las recompensas dispersas en modelos pequeños.
3. Poda de Trayectoria: Una técnica de preparación de datos que resuelve el "problema de la parada óptima" filtrando las trayectorias de los modelos maestros para identificar los borradores intermedios de mayor calidad, proporcionando señales de supervisión más limpias para las decisiones de terminación.
4. Solución Local y Preservadora de la Privacidad: Un sistema totalmente local que utiliza un modelo de 8 mil millones de parámetros (MiniCPM4.1-8B) que elimina la necesidad de APIs de código cerrado, abordando las preocupaciones de seguridad y privacidad.

Resultados Experimentales

El sistema fue evaluado en tres benchmarks: DeepResearch Bench (tareas científicas), DeepConsult (consultas de negocios/financieras) y DeepResearch Gym (búsqueda de información general).

• Desempeño vs. Sistemas de Código Cerrado: AgentCPM-Report (Pipeline RL) superó a los sistemas líderes de código cerrado, incluyendo Gemini-2.5-Pro-deepresearch, en DeepResearch Bench. Específicamente, alcanzó una puntuación de Perspicacia de 52.64 (frente a 49.45 de Gemini) y una puntuación de Integralidad de 50.54 (frente a 49.51). En DeepResearch Gym, alcanzó resultados de vanguardia con un puntaje promedio de 98.48.
• Impacto de las Etapas de Entrenamiento: El desempeño mejoró constantemente desde SFT hacia Atomic RL y finalmente a Pipeline RL. Por ejemplo, en DeepResearch Bench, la métrica de Integralidad aumentó de 46.24 (SFT) a 50.54 (Pipeline RL), y la Perspicacia de 48.10 a 52.64.
• Estudios de Ablación:
  • Efectividad de WARP: Incluso sin entrenamiento, aplicar el paradigma WARP a un modelo más grande (Qwen3-235B) superó al paradigma Plan-then-Write, confirmando que la profundización consciente del borrador es un motor clave de la perspicacia.
  • Profundidad de la Profundización: Los experimentos mostraron que la calidad del informe (Perspicacia e Integralidad) aumenta con los pasos de profundización, estabilizándose alrededor de los 9 pasos. El agente entrenado con Pipeline RL aprendió a detenerse cerca de esta profundidad óptima, mientras que los agentes SFT se detenían prematuramente.
  • Poda de Trayectoria: Los modelos entrenados en trayectorias podadas superaron significativamente a aquellos entrenados en trayectorias maestras puras, validando la eficacia de la estrategia de poda para enseñar la terminación óptima.

Significado y Reivindicaciones

El artículo afirma que AgentCPM-Report establece una base sólida para la generación de informes de investigación profunda segura, preservadora de la privacidad y totalmente local.

Los autores argumentan que para las tareas de investigación profunda, el cuello de botella principal no es el tamaño del modelo, sino el diseño de procesos cognitivos y de planificación efectivos. Al integrar el paradigma de inferencia WARP con un entrenamiento agéntico multietapa, los modelos de tamaño pequeño y código abierto pueden alcanzar capacidades de investigación profunda previamente asociadas con sistemas propietarios a gran escala. El trabajo demuestra que un diseño de política especializado puede servir como una alternativa viable al escalado de modelos para avanzar en las capacidades de investigación profunda.

El documento reconoce limitaciones, señalando que los sistemas actuales dependen de bases de conocimiento textual (carecen de datos multimodales o personalizados) y que la generación de tablas/figuras sigue siendo un desafío para los modelos más pequeños debido al razonamiento estructural requerido. Se sugiere como trabajo futuro desacoplar la presentación de la generación de contenido y expandir las fuentes de conocimiento a datos multimodales y locales personalizados.