检索注入推理沙箱：解耦检索与推理能力的基准

尽管在现有基准上表现强劲，大语言模型能否对真正新颖的科学信息进行推理仍不清楚。多数评估对端到端RAG流水线打分，推理与检索和工具链选择纠缠在一起，信号还被参数化记忆和开放网络的不稳定性进一步污染。我们提出DeR2，一个受控的深度研究沙箱，在保留深度搜索核心难点（多步综合、去噪和基于证据的结论形成）的同时，隔离基于文档的推理。DeR2通过四种机制把证据获取与推理解耦——仅指令（Instruction-only）、概念（Concepts，无文档的金标概念）、仅相关（Related-only，仅相关文档）和全集（Full-set，相关文档加主题相关干扰项）——产生可解释的机制差距，用以操作化检索损失与推理损失，并支持细粒度错误归因。为防止参数泄露，我们采用两阶段验证：要求模型在无证据时参数化失败，同时确保有金标概念时可解。为保证可复现性，每个实例提供冻结文档库（取自2023-2025年理论论文）以及专家标注的概念和经验证的理由。跨多种最先进基础模型的实验揭示出显著差异与可观提升空间：部分模型表现出模式切换脆弱性，在全集下表现反而不如仅指令；另一些模型则呈现结构性概念误用，能正确说出概念却无法将其作为程序执行。