HybridDeepSearcher: Schnellere KI-Suche mit Parallel- und Sequenz-Ansatz

Ein neues KI-Modell namens HybridDeepSearcher setzt neue Maßstäbe bei der Suche nach komplexen Informationen. Durch die Kombination von parallelen und sequentiellen Abfragen kann das Modell Aufgaben schneller und genauer lösen als bisherige Ansätze.

Die Grundlage bildet das neu entwickelte Dataset HDS‑QA, das aus der Open‑Source‑Fragensammlung Natural Questions generiert wurde. Es enthält Fragen, die sowohl unabhängige Teilaufgaben als auch aufeinander aufbauende Schritte erfordern. Dadurch lernt das Modell, wann mehrere Abfragen gleichzeitig ausgeführt werden können und wann eine schrittweise Auflösung nötig ist.

Nach dem Feintuning mit HDS‑QA erreicht HybridDeepSearcher beeindruckende Ergebnisse: Auf dem Benchmark FanOutQA steigt die F1‑Score um 15,9 Punkte, auf einer Teilmenge von BrowseComp um 11,5 Punkte. Gleichzeitig reduziert das Modell die Anzahl der benötigten Suchschritte, was die Inferenzzeit deutlich verkürzt und die Skalierbarkeit erhöht.

Die Ergebnisse zeigen, dass ein gezielter Einsatz von Parallel- und Sequenzabfragen die Effizienz von großen Sprachmodellen erheblich steigern kann. HybridDeepSearcher demonstriert damit, dass KI‑Suche nicht nur genauer, sondern auch schneller und ressourcenschonender gestaltet werden kann.