W&D：扩展并行工具调用以实现高效深度研究智能体

深度研究智能体已成为通过多步推理与基于网络的信息搜寻来自动化复杂智力任务的强大工具。尽管近期工作通过增加顺序思考与工具调用的数量来扩展深度，成功增强了这类智能体，但通过并行工具调用扩展宽度的潜力在很大程度上仍未被探索。在本工作中，我们提出宽与深（Wide and Deep）研究智能体，一个旨在考察智能体在不仅扩展深度、还通过并行工具调用扩展宽度时的行为与表现的框架。与依赖复杂多智能体编排来并行化工作负载的现有方法不同，我们的方法利用内在的并行工具调用，在单个推理步骤内实现有效协调。我们证明，扩展宽度显著提升了深度研究基准上的表现，同时减少了获得正确答案所需的轮数。此外，我们通过案例研究分析驱动这些改进的因素，并探索多种工具调用调度器以优化并行工具调用策略。我们的发现表明，优化宽度与深度之间的权衡是通向高效深度研究智能体的关键路径。值得注意的是，在不使用上下文管理或其他技巧的情况下，我们的GPT-5-Medium在BrowseComp上取得62.2%的准确率，超过了GPT-5-High所报告的54.9%。