中科院院士鄂维南和字节跳动ai实验室总监李航联合推出先进的论文搜索agent——pasa。该系统模拟人类复杂学术搜索行为，由两个agent协同工作：一个负责多轮搜索，另一个负责判断论文是否符合查询要求。
只需输入研究主题或想法，PaSa即可快速搜索并按相关性排序结果。
点击论文标题，即可直接查看作者和摘要；点击标题链接则可跳转至完整论文。
PaSa在召回率和准确率方面显著优于谷歌、谷歌学术、结合GPT-4o的谷歌搜索以及ChatGPT等现有模型。
PaSa的双Agent架构
现有学术搜索引擎（如谷歌学术）难以处理复杂的查询，导致研究人员耗费大量时间进行文献检索。PaSa系统由两个大型语言模型Agent构成：Crawler（爬虫）和Selector（选择器）。
Crawler负责处理用户查询，生成多个搜索指令并检索相关论文，其工作机制基于基于token的马尔可夫决策过程（MDP）。
Selector负责仔细阅读每篇论文，评估其是否符合用户查询要求，并给出判断理由。
实验结果：全面超越基准模型
研究团队使用AutoScholarQuery和RealScholarQuery两个数据集对PaSa进行了评估。结果表明，PaSa-7b在召回率和准确率方面均显著优于所有基准模型。
团队介绍
PaSa由中科院院士鄂维南和字节跳动AI实验室总监李航领导的团队开发。
论文链接：https://www.php.cn/link/5eea6fd7b02448c35fd405cfe823d128 Demo：https://www.php.cn/link/b3ca85cd30bca7607c9520accaa4ffcf
