TTD-DR：基于测试时(Test-Time)扩散的深度研究Agent突破

谷歌在扩散技术领域持续发力。这次，他们将扩散技术应用于深度研究agent，专门用于优化研究报告生成过程。该方法在长篇研究任务中对比OpenAI Deep Research取得了69.1%的胜率。

谷歌在扩散技术领域持续发力。这次，他们将扩散技术应用于深度研究agent，专门用于优化研究报告生成过程。该方法在长篇研究任务中对比OpenAI Deep Research取得了69.1%的胜率。

图片

论文提出了测试时扩散深度研究员(TTD-DR)，重新思考了深度研究agent生成长篇报告的方式。TTD-DR没有依赖传统的静态推理策略（如思维链或最优N选择采样），而是将报告生成过程构建为扩散过程——从噪声草稿开始，通过检索增强的去噪过程进行迭代优化，并由结构化计划进行指导。

图片

以草稿为骨架 TTD-DR从初步报告草稿和研究计划开始。这个不断演进的框架会指导应该发起哪些搜索查询，以及如何整合新信息，从而在研究生成过程中提升连贯性和时效性。

图片

基于检索的去噪 噪声草稿通过类似扩散的方式反复修订，每个步骤都包括发起新的搜索查询、整合检索到的内容并更新草稿。这个循环持续到收敛为止，确保外部知识的及时融入。

组件级自进化 研究工作流程中的每个单元（计划生成、查询构建、答案综合、最终写作）都有自己的优化循环。这种进化使用了多变体采样、LLM评判打分、基于批评的修订以及交叉合并等技术来选择高适应性的输出。

卓越成果 在五个基准测试（LongForm Research、DeepConsult、HLE-Search、HLE-Full和GAIA）中，TTD-DR始终优于来自OpenAI、Perplexity和Grok的agent。例如，在长篇生成任务中对比OpenAI Deep Research达到69.1%的胜率，在短篇多跳问答任务中获得4.8%至7.7%的提升。

图片

高效扩展 与仅使用骨架和仅使用自进化的变体相比，完整的TTD-DR系统实现了最优的性能/延迟权衡，表明基于检索的去噪是一种高效的测试时扩展策略。

这又是一篇将扩散、自进化算法和结构化规划等理念巧妙结合的优秀论文，为构建更先进的长篇研究报告生成agent提供了新思路。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量