核心内容摘要
守护数字星辰：为青少年营造清朗的网络成长空间
DeepResearchEval是针对深度研究系统的评估框架解决了任务构建成本高、评估维度静态化和事实核查不完整三大挑战。
该框架包含两大自动化pipeline基于角色的任务构建pipeline和agentic质量与事实性验证pipeline实现了从任务生成到报告质量/事实性验证的全流程自动化。
实验表明现有系统在任务专属维度表现较弱事实风险主要来自无充分证据的断言。
背景deep research benchmark对比分析在大语言模型LLMs向智能体Agent演进的过程中深度研究系统如Gemini Deep Research、OpenAI Deep Research已成为重要分支——这类系统能自主完成多轮网页检索、跨源信息整合、结构化报告生成广泛应用于行业分析、政策研究等复杂场景。
然而其评估面临三大核心挑战任务构建成本高现有基准依赖专家标注耗时且受限于标注者知识背景难以覆盖多领域真实需求评估维度静态化采用固定评估指标如覆盖率、清晰度无法适配不同领域任务的特异性需求如政策研究需“比较分析深度”医疗研究需“数据时效性”事实核查不完整仅验证带引用的陈述忽略无引用事实依据的说法导致报告可信度评估存在盲区。
论文提出DeepResearchEval——一个集**“自动化任务构建”与“智能体式评估”**于一体的框架首次实现从任务生成到报告质量/事实性验证的全流程自动化。
核心创新两大自动化 pipeline 设计针对构建用户画像驱动的深度研究任务提出了一种三阶段流程。
先针对特定领域生成多样化角色作为种子来产出与专业对齐的任务随后经过多道质量过滤环节最终得到高质量的深度研究任务集
任务构建 pipeline基于角色的高质量任务生成传统任务构建依赖专家DeepResearchEval 提出“角色驱动Persona-Driven”自动化流程生成100个多领域高质量深度研究任务核心步骤如下100场景分布分布及示例1角色合成Persona Synthesis领域选择覆盖10个代表性领域交通、政治、金融、健康、科技等确保任务多样性角色生成为每个领域生成5个角色共50个每个角色包含“所属机构、职业、背景、子领域”等属性如“工业物联网工程师Ethan Kim拥有电气工程学位专注IIoT传感器网关研发”确保任务贴合真实用户需求核心目标通过角色锚定任务场景避免泛化、脱离实际的研究需求如工程师角色的任务聚焦“供应链分析”而非通用科技话题。
2任务生成Task Construction生成约束为每个角色生成4个候选任务共200个强制满足4个条件需多轮网页检索至少2轮覆盖不同视角需整合多源可信信息论文、行业报告、政策文件等需深度分析含最新动态、数据分析、趋势预测需明确交付物如量化场景分析、风险排名、时间约束示例任务“分析2024年1月至2025年8月美欧半导体出口管制及中国反制措施对工业物联网IIoT硬件供应链、定价、供应商集中度的影响提供量化场景分析、供应商风险排名及缓解路线图”对应工业物联网工程师角色。
3两轮过滤Task Filtering任务质量过滤Task Qualification Filter用LLM评估任务是否满足**“需时效性知识、多源整合、深度调查、角色匹配”**4项标准仅保留置信度
7的任务检索必要性过滤Search Necessity Filter用LLM仅依赖内部参数知识完成任务若无需检索即可生成高质量回答准确率、深度、时效性达标则过滤该任务避免“伪深度”任务人类验证7位博士专家评估155个过滤后任务80%任务获至少4位专家认可最终筛选100个任务构成基准集。
任务特点领域分布工业12%、科技15%、健康11%等领域均衡覆盖复杂度所有任务需多轮检索跨源整合无单步可完成的简单任务动态可扩展可通过 pipeline 持续生成新任务避免基准静态化。
评估 pipelineagentic质量与事实性验证针对深度研究报告的长文本、多维度、强事实性需求设计两大核心评估组件实现**“细粒度质量评分全量事实核查”**1自适应逐点质量评估Adaptive Point-wise Quality Evaluation评估流程概述。
上图自适应逐点质量评估通过以下方式增强 Dgeneral特定于任务的 。
LLM 对标准 进行评分并通过权重 和 , 将它们聚合为 。
下图主动事实核查从报告片段 中提取陈述 。
代理使用基于 MCP 的检索来验证这些陈述并生成 JSON 标签正确、错误、未知。
解决“静态维度无法适配任务特异性”问题核心是“通用维度任务专属维度”结合步骤如下步骤1定义通用维度4个基础维度覆盖所有任务的核心质量需求通用维度定义评估要点Coverage覆盖率信息的广度、深度与相关性是否覆盖任务核心需求、是否遗漏关键子话题、信息来源是否多样Insight洞察力分析的深度、原创性与逻辑性是否有超越表面信息的分析、逻辑是否连贯、结论是否有价值Instruction-following指令遵循对任务要求的满足度是否符合时间约束、交付物是否完整、是否匹配角色背景Clarity清晰度报告的可读性与结构合理性结构是否清晰、语言是否流畅、专业术语是否准确步骤2生成任务专属维度针对每个任务用LLM自动生成
个专属维度例如政策比较任务生成“Metric Utility指标有效性”评估比较指标是否可量化、跨区域可比、“Comparative Synthesis比较整合度”评估是否避免简单罗列形成统一分析逻辑健康研究任务生成“Classification Rigor分类严谨性”评估“超加工食品”分类是否符合科学标准、“Recommendation Actionability建议可执行性”评估健康建议是否基于报告数据而非泛化建议步骤3权重分配与评分计算为每个维度通用专属分配归一化权重总和1权重反映维度对该任务的重要性如政策任务中“Comparative Synthesis”权重高于通用维度为每个维度生成
个评估标准如“Coverage”下的“是否包含2025年最新数据”并分配标准权重最终质量得分公式其中 为维度权重,为标准权重, 为标准评分
分。
2主动事实核查Active Fact-Checking解决“仅核查带引用陈述”的盲区问题通过智能体自主检索验证所有事信息源步骤如下步骤1报告分段与陈述提取将长报告拆分为若干片段避免长上下文处理压力步骤2多轮检索与证据收集用Google Serper API检索外部证据最多30轮工具调用每轮最多10次检索优先选择权威来源政府官网、行业报告、学术论文收集证据URL与关键摘录步骤3陈述分类与结果输出Right证据支持陈述Wrong证据反驳陈述或含部分错误Unknown证据不足无法验证为每个陈述分配3类标签输出结构化结果含陈述、标签、证据列表、推理过程并计算事实正确率
实验设计与核心结果
实验设置评估对象9个主流深度研究系统含专有系统如Gemini-
5-Pro Deep Research、OpenAI Deep Research及开源系统如DeepSeek Deep Research、Manus数据规模每个系统生成100份报告对应100个任务共900份报告评估工具质量评估用Gemini-
5-Pro生成专属维度、权重与评分事实核查基于MiroFlow框架用GPT-5-mini实现智能体检索Google Serper API获取证据验证方法通过“跨评估者一致性”“随机稳定性”“人机对齐”验证评估可靠性。
核心结果分析不同deep research系统的质量评估结果Gemini-
5-Pro在“Insight”
0分、“Instruction-following”
7分领先体现其深度分析与指令理解能力不足所有系统的“任务专属维度”得分平均
2分显著低于通用维度平均
8分表明现有系统难以满足任务特异性需求如政策任务的“比较整合度”、健康任务的“分类严谨性”不同deep research系统的事实性评估结果所有系统的“Wrong”陈述占比平均
2%远低于“Unknown”陈述占比平均
1
8%表明事实风险主要来自**“无充分证据的断言”而非明确错误**使用 GPT-5 裁判的质量评估结果我们的标注与人类专家的一致性
局限性与未来方向
现有局限语言偏向性任务与评估均基于英文信息生态多语言场景如中文政策研究、日文科技报告未覆盖计算成本高依赖前沿LLMGemini-
5-Pro、GPT-5-mini与大量检索API调用大规模实时部署受限任务复杂度上限暂未覆盖需跨学科深度整合的超复杂任务。
未来方向多语言扩展引入非英文角色与数据源适配多语言深度研究场景轻量化优化用开源LLM替代部分闭源模型降低评估成本动态更新机制结合实时事件如政策发布、技术突破自动更新任务与评估标准保持基准时效性。
最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。
那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。
从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到
3
4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升
6
6%。
AI产业的快速扩张也让人才供需矛盾愈发突出。
麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。
资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。
目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。
这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。
课堂上不光教理论还带着学员做了十多个真实项目。
学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**