谷歌最新提出的 Test-Time Diffusion Deep Researcher（TTD-DR）框架，将扩散模型理念创新性地应用于深度研究智能体的报告生成过程。其核心通过迭代“去噪”机制，结合动态检索外部信息，模拟人类研究中规划、起草与多轮修订的认知流程，显著提升研究报告的时效性与连贯性，减少信息丢失。
TTD-DR在多个复杂多跳推理与长文生成基准测试中表现卓越，尤其在长篇研究报告生成任务中达到69.1%的胜率，超越OpenAI Deep Research，展示了扩散与自我进化机制协同作用的强大潜力。
关键创新点：
• 以初稿为核心的迭代扩散过程，融合检索增强的去噪操作，实现报告逐步精炼。
• 组件级自我进化算法提升规划、检索问答及报告各环节质量，保障上下文信息丰富且精确。
• 结合谷歌Agent Development Kit及通用搜索工具，实现模块化、易扩展的智能体架构。
• 严格的人类与LLM评审标定，确保自动评估结果与人工判断高度一致。
该工作推动了深度研究智能体从线性任务流向认知驱动的多轮迭代生成，开启了更高效、更智能的AI辅助科研新时代。
详情见🔗 arxiv.org/abs/2507.16075
人工智能 深度研究智能体 扩散模型 长文本生成 自动化科研
