SAGE：为深度研究代理评估和改进检索

深度研究代理已成为解决复杂查询的强大系统，而基于LLM的检索器在遵循指令或推理方面表现出色。本文提出SAGE基准测试，包含四个科学领域的1200个查询及20万篇论文的检索语料库。实验发现，所有系统在需要推理的检索任务中表现不佳。通过对比BM25与基于LLM的检索器（如ReasonIR和gte-Qwen2-7B-instruct），发现BM25性能显著优于后者约30%。为此，作者提出一种基于语料库级别的测试时扩展框架，利用LLM增强文档的元数据和关键词，从而提升现成检索器的性能，分别在简答和开放问题上取得8%和2%的提升。