WebAggregator: Enhancing Compositional Reasoning Capabilities of Deep Research Agent Foundation Models
O artigo apresenta o WebAggregator, um pipeline de síntese de dados que desloca os agentes de pesquisa profunda de um raciocínio focado em recuperação para um focado em composição, por meio de um conjunto de dados SFT curado de 10 mil exemplos, permitindo que um modelo de 32B supere sistemas de ponta em benchmarks e demonstrando que o raciocínio composicional, e não a recuperação, é o principal gargalo para os agentes de pesquisa de próxima geração.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O Grande Problema: O "Googler" vs. O "Detetive"
Imagine que você está contratando um assistente de pesquisa.
- O Jeito Antigo (Agentes de IA Atuais): Você pergunta a eles: "Quem ganhou o prêmio de 2024?" Eles imediatamente abrem um navegador, digitam a pergunta no Google, encontram uma lista e apontam para o primeiro nome. Isso é Busca de Informação. É rápido, mas é como um papagaio repetindo o que ouve. Se a resposta exigir conectar três fatos diferentes de três sites diferentes para resolver um quebra-cabeça, o papagaio fica confuso.
- O Novo Objetivo (Pesquisa Profunda): Você pergunta: "Entre todos os países maiores que 2 milhões de quilômetros quadrados, qual teve a economia mais volátil entre 2010 e 2020?" Para responder a isso, o agente não pode apenas "encontrar" a resposta. Ele tem que:
- Encontrar uma lista de países grandes.
- Encontrar dados econômicos para cada um.
- Fazer cálculos complexos para calcular a "volatilidade".
- Comparar os resultados.
Isso é Raciocínio Composicional. É como um detetive juntando pistas para resolver um mistério, em vez de apenas ler uma manchete.
O artigo argumenta que os agentes de IA atuais são ótimos em serem "Googlers", mas péssimos em serem "Detetives". Eles dependem demais de encontrar o link certo e não o suficiente de pensar profundamente sobre o que encontraram.
A Solução: WebAggregator (A "Academia de Treinamento")
Para corrigir isso, os pesquisadores construíram um sistema chamado WebAggregator. Pense nisso não como uma nova IA, mas como um campo de treinamento especializado projetado para transformar um "Googler" em um "Detetive".
O sistema funciona em duas fases principais, como uma equipe de duas pessoas criando um exame difícil:
O Explorador Proativo (O Catador):
Imagine um robô enviado para uma biblioteca massiva com um único livro. Sua função é abrir aquele livro, encontrar uma referência a outro livro, ir até aquele livro, encontrar uma foto, baixar um arquivo e clicar em um botão oculto. Ele reúne uma enorme pilha de informações espalhadas e bagunçadas de toda a web.- No artigo: Este agente visita sites reais, baixa arquivos e navega por páginas complexas para coletar dados brutos.
O Propositor de Lógica Composicional (O Mestre do Quebra-Cabeça):
Uma vez que o Catador tem a pilha de dados, o Mestre do Quebra-Cabeça olha para ela e diz: "Ok, com base nessa bagunça, vamos criar uma pergunta que não possa ser respondida apenas olhando para uma página."- Eles usam um conjunto estrito de regras (12 tipos de lógica) para forçar a pergunta a exigir matemática, filtragem, comparação e viagem no tempo (raciocínio temporal).
- Exemplo: Em vez de perguntar "Qual é o PIB da China?", eles perguntam: "Calcule o desvio padrão do crescimento do PIB da China em comparação com sua taxa de urbanização na última década."
O Resultado: Um Novo Conjunto de Dados e uma IA Mais Inteligente
A equipe usou esse sistema para criar o WebAggregatorQA, um conjunto de dados com cerca de 10.000 perguntas extremamente difíceis. Eles então usaram essas perguntas para treinar um novo modelo de IA (chamado WebAggregator).
Veja o que aconteceu quando testaram esse novo modelo:
A "Armadilha de Recuperação": Os pesquisadores testaram modelos de IA de ponta (como GPT-4.1 e Claude-3.7) nessas perguntas difíceis. Mesmo quando deram aos modelos todos os sites e documentos corretos necessários para resolver o problema, os modelos ainda falharam.
- A Metáfora: É como dar a um aluno um livro didático com a resposta exata destacada, mas ele ainda não consegue resolver o problema de matemática porque não entende como fazer o cálculo.
- A Descoberta: O gargalo não é encontrar a informação; é raciocinar com ela.
A Transformação: Quando treinaram seus modelos no conjunto de dados WebAggregator, os agentes mudaram seu comportamento:
- Antes: Eles clicavam em botões e abriam links freneticamente (alto uso de ferramentas, baixo pensamento).
- Depois: Clicavam em menos botões, mas passavam mais tempo "pensando" (raciocínio interno) para conectar os pontos.
- Desempenho: O novo modelo WebAggregator-32B superou os melhores modelos existentes nessas tarefas difíceis de raciocínio, provando que treinar em "trabalho de detetive" torna a IA mais inteligente.
A Conclusão
O artigo conclui que, para a IA se tornar verdadeiramente um agente de "Pesquisa Profunda" capaz de descobertas científicas, precisamos parar de focar em quão bem ela pode pesquisar na web. Em vez disso, precisamos focar em quão bem ela pode costurar peças de informação espalhadas para formar uma conclusão lógica.
Em resumo: O artigo construiu uma academia onde agentes de IA praticam a resolução de quebra-cabeças complexos usando dados reais da web. O resultado é um agente que é menos um surfista frenético da web e mais um pesquisador pensativo e lógico.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.