🌟 InfoSeek:
نسل جدید داده‌سازی برای تحقیقات عمیق با فرمالیزه‌سازی HCSP

مرکز BAAI از پروژه InfoSeek رونمایی کرد — یک متدولوژی باز برای سینتِز داده و حلقه آموزشی ویژه‌ی تحقیقات عمیق (Deep Research).

🔹 چالش اصلی
در این سطح، مسئله فقط استخراج یک واقعیت ساده نیست؛ مدل باید پرسش را به زیرمسئله‌ها تجزیه کند، چندمرحله‌ای استدلال نماید و در نهایت پاسخ‌ها را با منابع واقعی اعتبارسنجی کند.

🔹 فرمالیزه‌سازی به HCSP
این مسائل به‌صورت Hierarchical Constraint Satisfaction Problems (HCSP) مدل می‌شوند:

❌هر نود یک زیرمسئله یا حقیقت اتمی است.
❌یال‌ها روابط قابل‌بررسی از ویکی‌پدیا یا منابع باز هستند.
❌پاسخ نهایی، ریشه‌ی درخت است که تنها با تقاطع محدودیت‌ها و زیرپرسش‌ها به‌دست می‌آید.

❌این رویکرد باعث می‌شود عمق و عرض استدلال به‌روشنی مشخص شده و هر گام میانی قابل بررسی و صحت‌سنجی باشد.

🔹 معماری عامل‌ها
دو عامل فرآیند را پیش می‌برند:

1. Planner – انتخاب هدف و کنترل پیچیدگی کلّی.

2. Browser – استخراج داده و لینک از صفحات.



چهار عمل اصلی چرخه را می‌سازند:

✅شروع از «anchor»
Parent Blurring
✅(افزودن شرایط مستقل برای تعریف پاسخ یکتا)
✅عمق‌بخشی عمودی با دنبال‌کردن لینک‌ها
✅تولید متن سؤال تنها پس از تکمیل قیود


🔹 نتایج و خروجی‌ها

♻️دیتاست: ۵۰ هزار جفت پرسش–پاسخ و ۱۶.۵ هزار مسیر استدلال با برچسب‌های استخراج.

♻️روی بنچمارک BrowseComp-Plus با ۱۰۰K صفحه و BM25، مدل InfoSeeker-3B به دقت ۱۶.۵٪ رسید — بالاتر از Gemini 2.5 Flash, Sonnet 4, GPT-4.1 و به‌مراتب بهتر از Qwen3-32B و Search-R1-32B.

♻️جایگزینی دیتاست NQ+HQA با InfoSeek دقت را از ۳٪ به ۱۶.۵٪ افزایش داد.


🔹 مزایا

✳️عدم نیاز به Teacher Distillation
✳️خودبهبودی مداوم از داده‌های واقعی
✳️کاربردپذیری در معماری‌های مختلف


📌 لایسنس: Apache 2.0
📂 خروجی‌های منتشرشده: دیتاست، گزارش فنی، سازنده درخت داده و کد آموزش SFT. (کد RL و وزن‌های InfoSeeker-3B به‌زودی منتشر می‌شوند.)
💢HuggingFace
📛GitHub
🛑Arxiv

@rss_ai_ir

#هوش_مصنوعی #یادگیری_عمیق #داده #AI #ML #DeepResearch #InfoSeek