Yang Abao
引言
在 2025 年，人工智慧的發展迎來了新的里程碑，特別是在學術研究領域。ByteDance Research 推出了一款名為 PaSa 的智能體，這是一個基於強化學習的論文檢索工具。這項創新技術能夠模仿人類研究者的行為，快速而精確地完成繁瑣的學術調研。本文將探討 PaSa 如何改變學術研究的方式，並分析其在現有工具中的優勢。
本文大綱
PaSa 的誕生與背景
2025 年被譽為「Agent 元年」，這一年標誌著智能體技術的突破性進展。ByteDance Research 在新年伊始推出的 PaSa 智能體，正是這一潮流的代表。PaSa 的設計靈感來自於人類研究者的工作流程，旨在通過自動化的方式提升學術檢索的效率和準確性。這一工具的出現，為學術界帶來了前所未有的便利。
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 的功能與優勢
PaSa 智能體的核心在於其兩個 LLM Agents：Crawler 和 Selector。Crawler 負責自動調用搜索工具，閱讀論文並擴展參考文獻，從而收集與用戶查詢相關的學術論文。Selector 則精讀 Crawler 找到的每篇論文，確定其是否滿足用戶需求。這種設計使得 PaSa 在學術檢索中表現出色，特別是在 Recall@20 和 Recall@50 指標上，分別比 Google 提升了 37.78% 和 39.90%。
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
技術細節與訓練方法
PaSa 的訓練基於一個名為 AutoScholarQuery 的高質量學術細粒度 Query 數據集。該數據集收集了人工智慧領域的頂會論文，並生成學術問題及其相關論文列表。為了解決訓練過程中的獎勵稀疏性問題，研究團隊引入了 Selector 作為輔助獎勵模型，並提出了一種全新的 session-level PPO 算法來處理過長的行動軌跡。
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
實驗結果與比較
在 AutoScholarQuery 測試集上，PaSa-7b 的表現優於所有基線模型，召回率提高了 9.64%。在更接近真實場景的 RealScholarQuery 上，PaSa-7b 的提升更加明顯，召回率提高了 30.36%。以下是 PaSa 與其他檢索工具的比較：
| 工具 | Recall@20 | Recall@50 | Recall@100 |
|---|---|---|---|
| 33.80% | 38.83% | 42.64% | |
| PaSa-7b | 37.78% | 39.90% | 39.83% |
| PaSa-7b-ensemble | 41.30% | 44.22% | 46.15% |
結論與未來展望
PaSa 智能體的出現為學術檢索帶來了革命性的變化，通過模仿人類的搜索行為，顯著提高了檢索效率和準確性。未來，PaSa 有望進一步優化，支持更多領域的學術研究。對於研究者而言，這是一個值得期待的工具，能夠大幅減少調研時間，專注於創新和發現。您是否準備好迎接這場學術檢索的變革？
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 的功能與優勢
PaSa 智能體的核心在於其兩個 LLM Agents：Crawler 和 Selector。這兩個代理的協同工作使得 PaSa 在學術檢索中表現出色，特別是在 Recall@20 和 Recall@50 指標上，分別比 Google 提升了 37.78% 和 39.90%。這樣的提升不僅僅是數據上的優勢，更是對學術研究者在實際應用中的巨大幫助。
Crawler 的自動化檢索
Crawler 是 PaSa 的第一道防線，負責自動調用搜索工具，閱讀論文並擴展參考文獻。這一過程中，Crawler 能夠生成多樣、互補的搜索詞，執行多次搜索，從而最大化相關論文的召回率。這種設計不僅提高了檢索的全面性，還能夠在多步擴展引文網絡後，發現許多與用戶查詢相關的論文，即使中間的論文並不直接與用戶需求匹配。
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 的精確篩選
Selector 則是 PaSa 的第二道防線，負責精讀 Crawler 找到的每篇論文，確定其是否滿足用戶需求。Selector 的設計強調精確性，即識別論文是否符合用戶需求。這一過程中，Selector 會先生成一個 Decision Token，決定論文是否符合用戶 Query 的需要，同時 Token Probability 也可以作為相關性分數，用於最終結果的排序。
這種雙重代理的設計，使得 PaSa 能夠在學術檢索中提供更高的準確性和效率。研究顯示，PaSa-7b 在 AutoScholarQuery 測試集上的召回率提高了 9.64%，而在更接近真實場景的 RealScholarQuery 上，召回率提高了 30.36%。
數據驅動的優勢
PaSa 的優勢不僅體現在其技術設計上，還在於其背後的數據驅動策略。通過使用 AutoScholarQuery 數據集，PaSa 能夠在訓練過程中不斷優化其檢索和篩選能力。這一數據集包含了人工智慧領域的頂會論文，並生成學術問題及其相關論文列表，為 PaSa 的訓練提供了豐富的數據支持。
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 的出現，為學術檢索帶來了革命性的變化。通過模仿人類的搜索行為，顯著提高了檢索效率和準確性。未來，PaSa 有望進一步優化，支持更多領域的學術研究。對於研究者而言，這是一個值得期待的工具，能夠大幅減少調研時間，專注於創新和發現。
技術細節與訓練方法
在學術檢索領域，PaSa 智能體的技術細節與訓練方法是其成功的關鍵。這一部分將深入探討 PaSa 的訓練過程，特別是如何利用 AutoScholarQuery 數據集和強化學習技術來提升檢索效率和準確性。
AutoScholarQuery 數據集的構建
AutoScholarQuery 是一個專為 PaSa 訓練而設計的高質量學術細粒度 Query 數據集。該數據集收集了人工智慧領域的頂會論文，並基於每篇論文的“Related Work”部分生成學術問題及其相關論文列表。這樣的設計不僅提供了豐富的訓練數據，還確保了數據的專業性和相關性。
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
這一數據集的構建過程中，研究團隊面臨著如何在缺乏人類科學家發現論文的軌跡數據的情況下，仍能支持 PaSa 的強化學習訓練。通過精心設計的數據集，PaSa 能夠在訓練過程中不斷優化其檢索和篩選能力，從而在學術檢索中表現出色。
強化學習與訓練優化
PaSa 的訓練過程中，強化學習技術扮演了重要角色。研究團隊引入了 Selector 作為輔助獎勵模型，以解決訓練過程中的獎勵稀疏性問題。這一策略顯著提升了模型的優化效果，使得 PaSa 能夠更精確地篩選出符合用戶需求的論文。
此外，為了解決 Crawler 在一次執行中可能收集到上百篇文章，導致完整的行動軌跡過長的問題，團隊提出了一種全新的 session-level PPO 算法。這一算法能夠有效處理過長的行動軌跡，確保所有重要信息都能被 LLM 的上下文所捕捉。
Selector 的精確篩選
Selector 的訓練主要通過模仿學習進行。它會先生成一個 Decision Token，決定論文是否符合用戶 Query 的需要。這一過程中，Token Probability 也可以作為相關性分數，用於最終結果的排序。這種設計不僅提高了篩選的精確性，還能夠提供更具參考價值的排序結果。
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
這種雙重代理的設計，使得 PaSa 能夠在學術檢索中提供更高的準確性和效率。研究顯示，PaSa-7b 在 AutoScholarQuery 測試集上的召回率提高了 9.64%，而在更接近真實場景的 RealScholarQuery 上，召回率提高了 30.36%。
未來的技術展望
PaSa 的技術細節與訓練方法展示了其在學術檢索領域的潛力。未來，隨著技術的進一步發展，PaSa 有望支持更多領域的學術研究，並進一步優化其檢索和篩選能力。這不僅對研究者而言是一個值得期待的工具，也為學術檢索帶來了革命性的變化。
在這個不斷變化的數位時代，PaSa 的出現無疑為學術研究者提供了一個強大的助手，能夠大幅減少調研時間，專注於創新和發現。您是否準備好迎接這場學術檢索的變革？
這篇文章的技術細節部分，通過詳細的數據分析和技術解釋，展示了 PaSa 在學術檢索中的優勢和潛力。未來，隨著技術的進一步發展，PaSa 有望成為學術研究者不可或缺的工具。
實驗結果與比較
在學術檢索領域，PaSa 智能體的出現無疑是一個革命性的突破。為了驗證其在真實場景中的表現，研究團隊開發了兩個評測集：AutoScholarQuery 和 RealScholarQuery。這些評測集不僅包含了人工智慧研究者提出的真實學術問題，還為每個問題人工構建了相關論文列表。以下將詳細分析 PaSa 在這些評測集上的表現，並與其他主流檢索工具進行比較。
AutoScholarQuery 測試集上的表現
在 AutoScholarQuery 測試集上，PaSa-7b 的表現優於所有基線模型。與最強的基線 PaSa-GPT-4o 相比，PaSa-7b 在召回率上提高了 9.64%，而 Crawler 的召回率則提高了 3.66%。這表明，PaSa-7b 能夠更有效地檢索到相關的學術論文，並在 Recall@20、Recall@50 和 Recall@100 指標上分別提升了 33.80%、38.83% 和 42.64%。
| 工具 | Recall@20 | Recall@50 | Recall@100 |
|---|---|---|---|
| 33.80% | 38.83% | 42.64% | |
| PaSa-7b | 37.78% | 39.90% | 39.83% |
| PaSa-7b-ensemble | 41.30% | 44.22% | 46.15% |
這些數據顯示，PaSa-7b 不僅在召回率上超越了 Google，還在精確性上保持了優勢。這得益於其獨特的雙重代理設計，Crawler 和 Selector 的協同工作使得 PaSa 能夠在學術檢索中提供更高的準確性和效率。
RealScholarQuery 上的優勢
在更接近真實場景的 RealScholarQuery 上，PaSa-7b 的提升更加明顯。與 PaSa-GPT-4o 相比，PaSa-7b 的召回率提高了 30.36%，精確率提高了 4.25%。這表明，PaSa-7b 能夠在更複雜的學術檢索環境中保持卓越的表現。
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
此外，集成後的 PaSa-7b-ensemble 在召回率和 Crawler 召回率上分別進一步提高了 3.52% 和 4.32%。這表明，通過集成多次 Crawler 的搜索結果，PaSa 能夠進一步提高最終的召回量，為用戶提供更全面的學術資源。
結論
PaSa 智能體在學術檢索中的優勢不僅體現在其卓越的召回率和精確性上，還在於其能夠模仿人類研究者的行為，快速而精確地完成繁瑣的學術調研。未來，隨著技術的進一步發展，PaSa 有望支持更多領域的學術研究，並進一步優化其檢索和篩選能力。這不僅對研究者而言是一個值得期待的工具，也為學術檢索帶來了革命性的變化。
在這個不斷變化的數位時代，PaSa 的出現無疑為學術研究者提供了一個強大的助手，能夠大幅減少調研時間，專注於創新和發現。您是否準備好迎接這場學術檢索的變革？
這篇文章的實驗結果與比較部分，通過詳細的數據分析和技術解釋，展示了 PaSa 在學術檢索中的優勢和潛力。未來，隨著技術的進一步發展，PaSa 有望成為學術研究者不可或缺的工具。
結論與未來展望
PaSa 智能體的出現為學術檢索帶來了革命性的變化，通過模仿人類的搜索行為，顯著提高了檢索效率和準確性。這項技術的突破不僅在於其卓越的召回率和精確性，還在於其能夠快速而精確地完成繁瑣的學術調研。隨著技術的進一步發展，PaSa 有望支持更多領域的學術研究，並進一步優化其檢索和篩選能力。
未來的發展方向
未來，PaSa 智能體將繼續優化其算法和模型，以支持更廣泛的學術領域。這不僅對研究者而言是一個值得期待的工具，也為學術檢索帶來了革命性的變化。PaSa 的開發團隊計劃進一步提升其在不同學科領域的適應性，並加強其在多語言環境中的表現。
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
此外，PaSa 的開發者們也在探索如何將其應用於其他類型的數據檢索，如專利文獻和技術報告。這將進一步擴大 PaSa 的應用範圍，使其成為一個多功能的研究工具。
行動呼籲
對於研究者而言，PaSa 是一個能夠大幅減少調研時間的強大助手，讓他們能夠專注於創新和發現。隨著 PaSa 的不斷進步，研究者們應該積極嘗試使用這一工具，以提高他們的研究效率和成果。您是否準備好迎接這場學術檢索的變革？
在這個不斷變化的數位時代，PaSa 的出現無疑為學術研究者提供了一個強大的助手。未來，隨著技術的進一步發展，PaSa 有望成為學術研究者不可或缺的工具，為學術檢索帶來更多的可能性和機遇。
這篇文章的結論與未來展望部分，通過詳細的數據分析和技術解釋，展示了 PaSa 在學術檢索中的優勢和潛力。未來，隨著技術的進一步發展，PaSa 有望成為學術研究者不可或缺的工具。
martech_jy
