LongCat-DeepResearch: ett nytt system för AI-genererade forskningsrapporter
LongCat-DeepResearch är ett nytt system som använder flera AI-agenter i parallell för att skriva genomarbetade, källbaserade forskningsrapporter – ungefär som om man satte ett helt forskarlag på ett uppdrag samtidigt. Systemet uppnår 55,25 poäng på DeepResearchBench och landar på en andra plats bland fyra jämförda system i ett internt test. Det intressanta här är inte bara poängen utan arkitekturen: genom att dela upp planering och skrivande i separata steg slipper systemet skriva om hela rapporten varje gång något behöver justeras.
Djupdykning
ByteDance har precis släppt LongCat-DeepResearch, ett system som låter AI:n skriva hela forskningsrapporter från grunden – inte bara sammanfatta utan faktiskt planera, undersöka och redigera som ett team av analytiker. Systemet fungerar ungefär som en redaktion: en grupp "planeringsagenter" bestämmer strukturen och forskningsplanen (de kallar den ResearchSpec), sedan tar separata "forskningsagenter" hand om varje sektion parallellt och hämtar källor i realtid, och till sist granskas helheten innan riktade justeringar görs – utan att behöva skriva om allt från början varje gång. Det de flesta missar här är att det här inte primärt är en produkt för slutanvändare – det är en träningsmaskin. Systemet genererar automatiskt forskningsuppgifter och hela "tankebanor" som sedan används för att träna nästa generation av LongCat-modellerna, vilket betyder att AI:n i princip lär sig forska bättre genom att titta på sin egen forskning. På DeepResearchBench landar de på 55.25 poäng och kommer på andra plats av fyra jämförda system, vilket är hederligt men knappast dominans – Googles och OpenAIs liknande system konkurrerar i samma arena och har ett försprång i distributionskanaler. Den verkliga frågan är vad som händer när den här typen av system når tillräcklig kvalitet för att ersätta junior-analytiker på McKinsey eller i statliga utredningar – inte om tio år, utan inom arton månader.