Resumen:El marco de investigación profunda orquesta herramientas externas para realizar un razonamiento científico complejo de varios pasos que excede los límites nativos de un único modelo de lenguaje grande. Sin embargo, todavía sufre de contaminación del contexto, apoyo probatorio débil y vías de ejecución frágiles. Para abordar estos problemas, proponemos DualResearch, un marco de recuperación y fusión que coincide con la estructura epistémica del razonamiento intensivo en herramientas mediante el modelado conjunto de dos gráficos complementarios: un gráfico semántico de amplitud que codifica conocimientos previos estables y un gráfico causal profundo que captura la procedencia de la ejecución. Cada gráfico tiene una función de relevancia nativa de capa, difusión semántica anclada en semillas para amplitud y coincidencia de ruta causal-semántica con ponderación de confiabilidad para profundidad. Para conciliar su heterogeneidad y la incertidumbre dependiente de la consulta, DualResearch convierte la evidencia de ruta por capa en distribuciones de respuestas y las fusiona en el espacio de registro mediante una regla controlada por entropía con calibración global. La fusión refuerza el canal más seguro y amplifica el acuerdo. Como complemento a los sistemas de investigación profunda, DualResearch comprime largos registros de ejecución de múltiples herramientas en un gráfico de razonamiento conciso y demostramos que puede reconstruir respuestas de manera estable y efectiva. En los puntos de referencia de razonamiento científico HLE y GPQA, DualResearch logra un rendimiento competitivo. Al utilizar archivos de registro del sistema de código abierto InternAgent, su precisión mejora un 7,7 % en HLE y un 6,06 % en GPQA.
Publicado originalmente en export.arxiv.org el 12 de octubre de 2025.
Ver fuente original
