引言

在 2025 年，字节跳动研究团队推出了一款名为 PaSa 的智能检索工具，这标志着 Agent 元年的到来。PaSa 通过强化学习技术，能够在短短两分钟内完成繁琐的学术论文调研。这一创新工具的推出，为科研人员提供了一个高效的助手，帮助他们快速获取相关研究信息。本文将深入探讨 PaSa 的功能及其在学术研究中的应用价值。

变革性的学术研究工具

在现代学术研究中，信息的获取和处理速度至关重要。传统的学术调研往往需要耗费大量时间和精力，研究人员需要手动搜索、筛选和阅读大量文献。PaSa 的出现彻底改变了这一现状。通过模拟人类研究者的行为，PaSa 能够自动调用搜索引擎、浏览相关论文并追踪引文网络，精准、全面地为用户呈现所有相关的学术论文。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

PaSa 的核心优势

PaSa 的核心优势在于其高效的检索能力和精准的结果筛选。与 Google 等主流检索工具相比，PaSa 在 Recall@20 和 Recall@50 上分别提升了 37.78% 和 39.90%。这种显著的性能提升得益于其独特的技术架构和训练方法。PaSa 的技术架构基于大语言模型，采用了强化学习和模仿学习相结合的训练方法，使其能够在短时间内处理大量信息并提供高质量的检索结果。

未来的应用前景

随着技术的不断进步，PaSa 有望在更多领域中发挥作用。其高效的检索能力不仅限于学术研究，还可以应用于商业情报、市场分析等领域。我们鼓励读者亲自体验 PaSa 的强大功能，并思考其在自己研究中的潜在应用。

通过本文的介绍，希望能够为读者提供一个全面的视角，了解 PaSa 如何革新学术研究的未来。PaSa 的推出不仅是技术上的突破，更是对学术研究效率的提升，为科研人员提供了一个强大的工具，助力他们在信息时代的学术探索。

PaSa 的核心功能

在现代学术研究中，信息的获取和处理速度至关重要。字节跳动推出的 PaSa 智能检索工具，通过其独特的核心功能，彻底改变了学术调研的方式。PaSa 的核心组件包括两个大型语言模型（LLM）智能体：Crawler 和 Selector。这两个智能体的协同工作，使得 PaSa 能够在短时间内高效地完成学术论文的检索和筛选。

Crawler：高效的文献收集者

Crawler 是 PaSa 的第一个核心组件，其主要任务是最大化相关论文的召回率。它通过自主调用搜索工具、阅读论文、扩展参考文献，不断收集与用户查询可能相关的学术论文。Crawler 的设计旨在模拟人类研究者的行为，能够生成多样、互补的搜索词执行多次搜索。此外，Crawler 还能够评估其行为的长期价值，例如在多步扩展引文网络后，Crawler 能够发现许多与用户查询相关的论文，即使路径中的中间论文并不直接与用户需求匹配。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

Selector：精准的结果筛选器

Selector 是 PaSa 的第二个核心组件，负责精读 Crawler 找到的每一篇论文，确保其符合用户的需求。Selector 通过模仿学习进行训练，能够生成一个决策标记（Decision Token），决定论文是否符合用户查询的需要。同时，Selector 还会输出决策依据，帮助用户理解筛选结果的理由。Selector 的引入不仅解决了奖励稀疏性问题，还显著提升了检索结果的精准性。

性能提升与技术优势

PaSa 的技术架构基于大语言模型，采用了强化学习和模仿学习相结合的训练方法，使其能够在短时间内处理大量信息并提供高质量的检索结果。与 Google 等主流检索工具相比，PaSa 在 Recall@20 和 Recall@50 上分别提升了 37.78% 和 39.90%。这种显著的性能提升得益于其独特的技术架构和训练方法。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

未来的应用前景

随着技术的不断进步，PaSa 有望在更多领域中发挥作用。其高效的检索能力不仅限于学术研究，还可以应用于商业情报、市场分析等领域。我们鼓励读者亲自体验 PaSa 的强大功能，并思考其在自己研究中的潜在应用。

通过本文的介绍，希望能够为读者提供一个全面的视角，了解 PaSa 如何革新学术研究的未来。PaSa 的推出不仅是技术上的突破，更是对学术研究效率的提升，为科研人员提供了一个强大的工具，助力他们在信息时代的学术探索。

技术架构与训练优化

在现代学术研究中，信息的获取和处理速度至关重要。字节跳动推出的 PaSa 智能检索工具，通过其独特的核心功能，彻底改变了学术调研的方式。PaSa 的技术架构基于大语言模型，采用了强化学习和模仿学习相结合的训练方法，使其能够在短时间内处理大量信息并提供高质量的检索结果。

大语言模型的基础架构

PaSa 的技术架构以大语言模型为基础，结合了强化学习和模仿学习的优势。强化学习使得 PaSa 能够在动态环境中不断优化其检索策略，而模仿学习则帮助其更好地理解和模拟人类研究者的行为。这种双重学习机制使得 PaSa 在信息检索的准确性和效率上都取得了显著的提升。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

AutoScholarQuery 数据集

为了训练 PaSa，研究团队构建了一个名为 AutoScholarQuery 的高质量学术细粒度 Query 数据集。该数据集通过收集人工智能领域顶会（如 ICLR 2023，ICML 2023，NeurIPS 2023，ACL 2024，CVPR 2024）发表的论文，基于每篇论文中“Related Work”部分的描述及其引用的相关文献，生成学术问题和对应的相关论文列表。最终，数据集包含了 36k 数据，每条数据包含一个 AI 领域的学术问题及相关论文。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

强化学习与模仿学习的结合

在 Crawler 的训练过程中，面临两个主要挑战：奖励稀疏性和过长的行动轨迹。为了解决奖励稀疏性问题，研究团队引入了 Selector 作为辅助奖励模型，显著提升了优化效果。此外，Crawler 在一次执行中可能收集到上百篇文章，导致完整的行动轨迹过长，无法完全输入到 LLM 的上下文中。为此，团队提出了一种全新的 session-level PPO 算法，解决这一问题。

Selector 主要通过模仿学习进行训练。Selector 会先生成一个 Decision Token，决定论文是否符合用户 Query 的需要。同时 Token Probability 也可以作为相关性分数用于最终结果的排序。在 Decision Token 后，Selector 还会输出决策依据。

训练优化的成果

通过上述技术架构和训练方法的优化，PaSa 在学术检索中的表现显著优于其他基线模型。在 AutoScholarQuery 和 RealScholarQuery 两个评测集上，PaSa 的召回率和准确率均有大幅提升。与最强的基线 PaSa-GPT-4o 相比，PaSa-7b 的召回率提高了 9.64%，而在更接近真实场景的 RealScholarQuery 上，召回率提升更是达到了 30.36%。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

通过本文的介绍，希望能够为读者提供一个全面的视角，了解 PaSa 如何革新学术研究的未来。PaSa 的推出不仅是技术上的突破，更是对学术研究效率的提升，为科研人员提供了一个强大的工具，助力他们在信息时代的学术探索。

實驗結果與性能對比

在學術研究中，檢索工具的性能至關重要。字節跳動推出的 PaSa 智能檢索工具在這方面展現了卓越的能力。本文將深入探討 PaSa 在不同評測集上的表現，並與其他主流檢索工具進行詳細對比。

PaSa 的卓越表現

PaSa 在 AutoScholarQuery 和 RealScholarQuery 兩個評測集上的表現均優於其他基線模型。這兩個評測集分別模擬了理想和真實的學術檢索場景，為 PaSa 的性能提供了全面的測試。

在 AutoScholarQuery 測試集中，PaSa-7b 的召回率顯著高於其他基線模型。與最強的基線 PaSa-GPT-4o 相比，PaSa-7b 的召回率提高了 9.64%。這一提升主要得益於 PaSa 的強化學習和模仿學習相結合的訓練方法，使其能夠更準確地識別和篩選相關文獻。

Source: 2分鐘完成論文調研！ByteDance Research推出論文檢索智能體PaSa，遠超主流檢索工具

在更接近真實場景的 RealScholarQuery 上，PaSa-7b 的表現更加突出。與 PaSa-GPT-4o 相比，召回率提升了 30.36%，這表明 PaSa 在處理複雜的學術問題時具有更高的效率和準確性。

與主流檢索工具的對比

為了全面評估 PaSa 的性能，研究團隊將其與多個主流檢索工具進行了對比，包括 Google、Google Scholar、Google with GPT-4o、ChatGPT 和 GPT-o1。結果顯示，PaSa 在多個指標上均超越了這些工具。

工具	Recall@20	Recall@50	Recall@100
Google	33.80%	38.83%	42.64%
PaSa-7b	37.78%	39.90%	39.83%
PaSa-7b-ensemble	41.30%	44.22%	46.15%

從上表可以看出，PaSa-7b 在 Recall@20 和 Recall@50 上的表現均優於 Google，這表明其在召回相關文獻方面具有更高的能力。此外，PaSa-7b-ensemble 的召回率進一步提高，顯示出集成多次 Crawler 搜索結果的優勢。

實驗結果的意義

PaSa 的卓越表現不僅體現在召回率的提升上，還在於其能夠更準確地篩選出符合用戶需求的文獻。這一點對於學術研究者來說尤為重要，因為它能夠顯著減少文獻篩選的時間和精力。

Source: 2分鐘完成論文調研！ByteDance Research推出論文檢索智能體PaSa，遠超主流檢索工具

PaSa 的推出為學術檢索帶來了革命性的變化，其高效的檢索能力和精準的結果篩選，使其成為科研人員不可或缺的工具。未來，隨著技術的進步，PaSa 有望在更多領域中發揮作用。我們鼓勵讀者親自體驗 PaSa 的強大功能，並思考其在自己研究中的潛在應用。

通過這些實驗結果，我們可以看到 PaSa 在學術檢索中的潛力和優勢。它不僅提高了檢索效率，還為研究者提供了更準確的文獻篩選工具，這對於加速學術研究進程具有重要意義。

結論與展望

在學術研究的領域中，字節跳動推出的 PaSa 智能檢索工具無疑是一個革命性的創新。其高效的檢索能力和精準的結果篩選，使其成為科研人員不可或缺的工具。本文將總結 PaSa 的關鍵優勢，並展望其未來的發展潛力。

PaSa 的關鍵優勢

PaSa 的推出為學術檢索帶來了顯著的變革。首先，其基於強化學習和模仿學習的技術架構，使得 PaSa 能夠在短時間內完成繁瑣的學術調研。這一點對於科研人員來說尤為重要，因為它能夠顯著減少文獻篩選的時間和精力。

其次，PaSa 的核心功能，包括 Crawler 和 Selector 兩個 LLM Agents，確保了高效的文獻召回和精準的篩選。這種雙重保障使得 PaSa 在 Recall@20 和 Recall@50 上的表現遠超 Google 等主流檢索工具，分別提升了 37.78% 和 39.90%。

Source: 2分鐘完成論文調研！ByteDance Research推出論文檢索智能體PaSa，遠超主流檢索工具

未來的發展潛力

隨著技術的進步，PaSa 有望在更多領域中發揮作用。未來，PaSa 可以進一步優化其算法，提升檢索的精確性和效率。此外，PaSa 的技術架構也可以應用於其他類型的數據檢索，如醫學研究、法律文獻等，為更多行業提供支持。

我們鼓勵讀者親自體驗 PaSa 的強大功能，並思考其在自己研究中的潛在應用。PaSa 的成功不僅在於其技術的先進性，更在於其對學術研究者的實際幫助。未來，隨著 PaSa 的不斷發展，我們期待它能夠在更多領域中發揮更大的作用，推動學術研究的進步。

行動呼籲

對於科研人員來說，PaSa 的出現無疑是一個福音。我們建議讀者立即試用 PaSa，親身體驗其高效的檢索能力和精準的結果篩選。通過這一工具，您將能夠更快速地獲取所需的學術資料，從而專注於更具創造性的研究工作。

總結來說，PaSa 的推出為學術檢索帶來了革命性的變化，其高效的檢索能力和精準的結果篩選，使其成為科研人員不可或缺的工具。未來，隨著技術的進步，PaSa 有望在更多領域中發揮作用。我們鼓勵讀者親自體驗 PaSa 的強大功能，並思考其在自己研究中的潛在應用。