Google показывает свой подход к созданию исследовательских отчетов с помощью диффузионных моделей

Как сообщает Google Research, новая разработка компании TTD-DR кардинально меняет подход к автоматизированному созданию исследовательских отчетов. Система использует принципы диффузионных моделей для итеративного улучшения черновиков, достигая новых рекордов в качестве длинных текстов и сложных рассуждений.

Новый подход к автоматизированным исследованиям

Современные агенты глубоких исследований обычно используют такие техники как цепочки рассуждений или генерацию множества вариантов ответов. Однако они часто упускают ключевой аспект человеческого исследования — итеративный процесс планирования, черчения, исследования и пересмотра на основе обратной связи.

Идея применения диффузионных процессов к текстовой генерации — это гениальный ход. Вместо того чтобы пытаться сразу создать идеальный текст, система начинает с «зашумленного» черновика и постепенно «очищает» его через поиск дополнительной информации. Это максимально приближено к тому, как работают настоящие исследователи.

Архитектура TTD-DR

TTD-DR состоит из трех основных этапов:

1. Генерация исследовательского плана — создание структурированного плана по ключевым областям
2. Итеративный поиск — формулировка поисковых запросов и синтез ответов из найденных документов
3. Генерация финального отчета — объединение всей собранной информации в связный документ

Компонентная самоэволюция

Система использует алгоритм самоэволюции для улучшения каждого этапа работы:

• Создание множества вариантов ответов для исследования большего пространства поиска
• Оценка каждого варианта с помощью LLM-as-a-judge по метрикам полезности и полноты
• Итеративный пересмотр вариантов на основе обратной связи
• Объединение лучших элементов из всех эволюционных путей

Денизинг с поиском на уровне отчета

Ключевая инновация — использование поискового инструмента как шага денизинга. Текущий черновик отчета подается в систему генерации поисковых запросов, найденная информация используется для пересмотра черновика, и процесс повторяется до достижения оптимального результата.

Этот подход демонстрирует принципиально новое понимание того, как ИИ-системы могут имитировать человеческий исследовательский процесс, не просто комбинируя инструменты, а создавая настоящий итеративный workflow.