Yang Abao
引言：AI 在學術研究中的新角色
2025 年被譽為 Agent 元年，這一年，AI 技術在學術研究中扮演了全新的角色。隨著 ByteDance Research 推出 PaSa 論文檢索智能體，學術界迎來了一場革命。這款基於強化學習的智能體應用，能夠模仿人類研究者的行為，快速完成繁瑣的論文調研工作。對於從事科研工作的你，這是否是你一直在尋找的科研小助手？
本文大綱
AI 驅動的學術研究革命
在過去，研究人員常常需要花費大量時間和精力來搜尋相關的學術論文，這不僅耗時，還可能因為信息過載而錯過關鍵資料。PaSa 的出現，正是為了解決這一痛點。它能夠自動調用搜索引擎，瀏覽相關論文，並追蹤引文網絡，僅需兩分鐘就能完成一次詳盡的學術調研。
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 的功能與潛力
PaSa 的核心在於其兩個 LLM Agents：Crawler 和 Selector。Crawler 負責自主調用搜索工具，閱讀論文並擴展參考文獻，最大化相關論文的召回率。Selector 則精讀 Crawler 找到的每篇論文，確保其符合用戶需求。這種設計使得 PaSa 在學術 Query 測試集上大幅超越了 Google 等主流檢索工具，Recall@20 和 Recall@50 分別提升了 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
未來的學術研究助手
隨著技術的進一步發展，PaSa 有望在更多領域發揮作用。它不僅能夠提高學術研究的效率，還能幫助研究人員更好地掌握最新的研究動態。對於科研人員來說，這是一個值得期待的工具。你是否準備好迎接 AI 驅動的研究新時代？
在這個充滿挑戰和機遇的時代，PaSa 的出現無疑為學術研究帶來了新的可能性。未來，隨著技術的不斷進步，AI 在學術研究中的角色將會更加重要，為研究人員提供更為強大的支持和幫助。
PaSa 的核心功能與優勢
在學術研究的領域中，PaSa 智能體的出現無疑是一個革命性的突破。其核心功能由兩個強大的 LLM Agents 組成：Crawler 和 Selector。這兩個智能體的協同工作，使得 PaSa 能夠在學術論文檢索中展現出卓越的性能。
Crawler：自動化的資料收集專家
Crawler 是 PaSa 的第一道防線，負責自動調用各種搜索工具，並深入閱讀學術論文。它的主要任務是擴展參考文獻，從而最大化相關論文的召回率。這一過程中，Crawler 能夠生成多樣且互補的搜索詞，進行多次搜索，確保不遺漏任何可能相關的資料。
Source: PaSa 框架：Crawler 的設計旨在最大化相關論文的召回率，而 Selector 則強調精確性，即識別論文是否符合用戶需求。
Crawler 的設計不僅僅是為了提高召回率，更重要的是它能夠評估其行為的長期價值。例如，在多步擴展引文網絡後，Crawler 能夠發現許多與用戶 Query 相關的論文，即使路徑中的中間論文並不直接與用戶需求匹配。這種能力使得 Crawler 在學術研究中成為一個不可或缺的工具。
Selector：精確的資料篩選專家
在 Crawler 收集到大量資料後，Selector 接手進行精讀。Selector 的主要任務是確保每篇論文都符合用戶的需求。它通過模仿學習進行訓練，生成一個 Decision Token，來決定論文是否符合用戶 Query 的需要。
Selector 不僅僅是篩選資料，它還會輸出決策依據，這使得用戶能夠更好地理解選擇的理由。這種精確的篩選過程，確保了 PaSa 在學術 Query 測試集上大幅超越了 Google 等主流檢索工具，Recall@20 和 Recall@50 分別提升了 37.78% 和 39.90%。
整體優勢與未來展望
PaSa 的這種設計，使得它在學術研究中展現出無與倫比的優勢。通過 Crawler 和 Selector 的協同工作，PaSa 能夠在短時間內完成大量的學術調研工作，這對於科研人員來說，無疑是一個巨大的福音。
未來，隨著技術的進一步發展，PaSa 有望在更多領域發揮作用。它不僅能夠提高學術研究的效率，還能幫助研究人員更好地掌握最新的研究動態。對於科研人員來說，這是一個值得期待的工具。你是否準備好迎接 AI 驅動的研究新時代？
PaSa 的技術架構與訓練方法
在學術研究的領域中，PaSa 智能體的技術架構和訓練方法是其成功的關鍵。這一部分將深入探討 PaSa 的技術細節，並展示其如何通過創新的訓練方法來提升學術檢索的效率和準確性。
高質量數據集：AutoScholarQuery
PaSa 的訓練基於一個名為 AutoScholarQuery 的高質量學術細粒度 Query 數據集。該數據集是通過收集人工智能領域頂會（如 ICLR 2023、ICML 2023、NeurIPS 2023、ACL 2024、CVPR 2024）發表的論文，並基於每篇論文中“Related Work”部分的描述及其引用的相關文獻生成的。最終，數據集包含了 36,000 條數據，每條數據都包含一個 AI 領域的學術問題及相關論文。
Source: PaSa 框架：Crawler 的設計旨在最大化相關論文的召回率，而 Selector 則強調精確性，即識別論文是否符合用戶需求。
這個數據集的設計使得 PaSa 能夠在訓練過程中模仿人類研究者的行為，從而提高其在學術檢索中的表現。儘管 AutoScholarQuery 缺乏人類科學家發現論文的軌跡數據，但它仍然能夠支持對 PaSa 智能體進行強化學習訓練。
強化學習與 Selector 的引入
在 Crawler 的訓練過程中，研究團隊面臨兩個主要挑戰：獎勵稀疏性和過長的行動軌跡。為了解決獎勵稀疏性問題，研究團隊引入了 Selector 作為輔助獎勵模型，顯著提升了優化效果。此外，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，無法完全輸入到 LLM 的上下文中。為此，團隊提出了一種全新的 session-level PPO 算法，解決這一問題。
Selector 主要通過模仿學習進行訓練。它會先生成一個 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。在 Decision Token 後，Selector 還會輸出決策依據，這使得用戶能夠更好地理解選擇的理由。
技術架構的整體優勢
PaSa 的技術架構不僅提高了學術檢索的效率，還在多個測試集上展示了其卓越的性能。在 AutoScholarQuery 測試集上，PaSa-7b 的效果優於所有基線模型，召回率提高了 9.64%。在更接近真實的 RealScholarQuery 上，PaSa-7b 的提升更加明顯，召回率提高了 30.36%。
這些技術上的突破，使得 PaSa 成為學術研究中不可或缺的工具。未來，隨著技術的進一步發展，PaSa 有望在更多領域發揮作用，幫助科研人員更好地掌握最新的研究動態。
實驗結果與比較
在學術研究中，檢索工具的效能直接影響研究者的工作效率。PaSa 智能體的出現，為學術檢索帶來了顯著的提升。本文將深入分析 PaSa 在不同測試集上的表現，並與其他主流檢索工具進行比較。
PaSa 在 AutoScholarQuery 測試集上的表現
在 AutoScholarQuery 測試集上，PaSa-7b 的表現超越了所有基線模型。這一測試集專注於人工智能領域的學術問題，包含了 36,000 條數據。PaSa-7b 在召回率上提升了 9.64%，而 Crawler 的召回率則提高了 3.66%。這些數據顯示，PaSa 能夠更有效地識別和檢索相關的學術論文。
| 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% |
這些結果表明，PaSa 的技術架構和訓練方法在學術檢索中具有顯著的優勢。其核心組件 Crawler 和 Selector 的協同工作，使得 PaSa 能夠在短時間內完成高效的學術調研。
PaSa 在 RealScholarQuery 上的優勢
在更接近真實場景的 RealScholarQuery 測試中，PaSa-7b 的表現更加突出。這一測試集包含了 AI 研究者提出的真實學術問題，並為每個問題人工構建了相關論文列表。PaSa-7b 的召回率提高了 30.36%，精確率提高了 4.25%。
Source: [PaSa 的工作流示例] from [jiqizhixin]
這些數據顯示，PaSa 不僅能夠在理論測試中表現出色，還能在實際應用中提供更高的檢索效率。與 Google 搜索相比，PaSa-7b 在 Recall@20、Recall@50 和 Recall@100 上分別提升了 37.78%、39.90% 和 39.83%。
PaSa 的技術優勢
PaSa 的成功歸功於其創新的技術架構和訓練方法。通過引入 Selector 作為輔助獎勵模型，PaSa 有效地解決了獎勵稀疏性問題。此外，session-level PPO 算法的應用，使得 Crawler 能夠在長行動軌跡中保持高效運行。
這些技術上的突破，使得 PaSa 成為學術研究中不可或缺的工具。未來，隨著技術的進一步發展，PaSa 有望在更多領域發揮作用，幫助科研人員更好地掌握最新的研究動態。
結論與未來展望
PaSa 智能體的出現，為學術搜索帶來了革命性的變革。通過模仿人類的搜索行為，PaSa 不僅提高了檢索效率，還在學術研究中展現了其強大的潛力。這一工具的成功，歸功於其創新的技術架構和訓練方法，尤其是 Crawler 和 Selector 的協同工作，使得 PaSa 能夠在短時間內完成高效的學術調研。
PaSa 的未來發展潛力
隨著技術的進一步發展，PaSa 有望在更多領域發揮作用。未來，PaSa 可以被應用於其他需要大量文獻檢索的領域，如醫學、法律和社會科學等。這將使得科研人員能夠更好地掌握最新的研究動態，從而推動各領域的進步。
Source: [PaSa Agent 框架] from [jiqizhixin]
此外，PaSa 的開源特性也為研究社群提供了豐富的資源。研究人員可以基於 PaSa 的框架，開發出更多針對特定需求的應用，進一步提升學術檢索的效率和準確性。
行動呼籲與未來展望
對於科研人員來說，PaSa 是一個值得期待的工具。它不僅能夠節省時間和精力，還能提高研究的精確性和全面性。未來，隨著 PaSa 的不斷優化和擴展，科研人員將能夠更輕鬆地進行學術調研，從而專注於創新和發現。
在這個 AI 驅動的研究新時代，你是否準備好迎接這一變革？PaSa 的出現，無疑為學術研究開啟了一個新的篇章。讓我們期待 PaSa 在未來的更多突破，並見證其在各個領域的廣泛應用。
martech_jy
