面向视频深度研究报告的 Agent 基准与评测框架
🧭 Agent 评测 · 视频深度研究报告
Peking University · Alibaba Token Hub, Alibaba Group
构建首个以源视频为中心的深度研究 Agent 基准 OmniDR-Bench，并提出原子化 Rubric 树评测方法
📌 工作参考价值（4 点）
- 可将 Omni-ARTs 的原子化 rubric 树和 ARC 构建流程复用到电商视频内容评测（如商品讲解、直播回放、教程视频），对 Agent 生成的卖点摘要做逐条可验证打分，替代模糊的 LLM-as-judge。
- skill-based workflow 提供可插拔结构，适合在商品视频导购/答疑 Agent 中按“问题拆解 → 多模态证据检索 → 交互式报告/回答卡片”组织 pipeline，尤其要求输出带时间戳引用，直接匹配短视频带货场景的卖点溯源。
- 当前 Agent 在跨模态因果推理和引用准确性上仍是明显短板，业务上做视频问答或报告生成时，应增加对引用证据的强校验层（检索片段强制回挂时间戳并二次校验），避免 LLM 幻觉影响用户决策。
- 中英文双语任务与 19 个真实子类别设计可参考，用于构建电商垂直领域的视频 Agent 回归集，覆盖不同品类和问题类型。
HybridResearcher：弥合深度研究智能体的结构化与非结构化边界
🧭 Agent 跨源推理训练与数据合成
Seoul National University · University of California, Los Angeles · University of North Carolina at Chapel Hill · University of Houston · Snowflake AI Research
4B深度研究Agent经跨源桥接轨迹合成训练，在混合基准上超397B大模型8.3分且无灾难遗忘
📌 工作参考价值（4 点）
- 电商/广告分析型 Agent 常需同时查询内部数据库（订单、库存、用户行为）和外部网页（竞品价格、市场趋势、社媒评论），可借鉴本工作从单源种子任务（text-to-SQL 或 web search）出发构造跨源训练轨迹，让 4B 小模型掌握跨源工具调用与证据综合能力。
- 构造训练样本时引入严格 gate（验证单源不足以回答）能强制模型学习互补性而非走捷径，业务中自制跨源数据时可效仿该机制提升数据质量。
- 小模型经精心编排的跨源轨迹 + SFT+RL 可超越大模型且不遗忘单源能力，对成本敏感的线上 Agent 部署有直接参考：无需依赖大模型，领域内单源数据可 bootstrap 跨源推理。
- 评估时同时监测单源基准（如 BrowseComp）和跨源基准，确保增强能力不损伤原有单源检索或 SQL 能力，可作为模型迭代的常规检查项。
不值的另一个Token：深度研究Agent的边际价值估计与高效剪枝
🧭 Agent上下文管理 · 边际价值剪枝 ★ 深度解读
University of Massachusetts Amherst · University of Texas at Austin · Adobe Research
针对长程深度研究Agent，系统对比多阶段剪枝策略，发现剪枝位置比规则更关键，早期剪枝可减少73% token
📌 工作参考价值（4 点）
- 多阶段剪枝理念可迁移至推荐Agent：在生成式推荐或多步检索Agent中，可借鉴 Pre-Retrieval（过滤低价值子查询/召回请求）、Post-Retrieval（根据已收集上下文淘汰冗余召回结果）、Pre-Synthesis（最终排序前压缩上下文）的三阶段剪枝框架，在不显著损失质量的前提下大幅降低 token 消耗与延迟。
- 轻量启发式即可有效：MMR（最大边际相关性）等简单规则在早期剪枝中性价比极高，无需额外的 LLM 调用或复杂学习，适合线上高吞吐场景，尤其在召回阶段过滤冗余物品或搜索词候选时可直接复用。
- 剪枝位置远比具体公式重要：实验表明 Post-Retrieval 剪枝能消除下游扩展成本，而 Pre-Synthesis 剪枝仅压缩最终输入，无法挽回上游开销；在电商 Agent 流程中应优先在搜索/召回早期介入，而非只在排序前做上下文压缩。
- 质量与证据保留需联合评估：论文发现报告质量与引用召回率可能背离，压缩可能提升合成质量但丢失支撑证据；在广告文案生成或推荐理由合成时，应同时监控生成文本的支撑度和事实准确性，避免过度剪枝导致信息缺失。