deepresearch-arms-lab — Deep Research 流水线 14-arm 消融实验

本仓库把 14 种 deep research 提示词与流水线设计写成可运行代码(arms/),放在同一套评测台上比较: 同一个弱基座模型(MiMo 2.5 Pro)、同一个检索后端、同一批中文研究题目。报告质量由 Claude Opus 4.8 盲评(RACE 式四维量规,三次取中位,0–10),引用忠实度由 fact-v2 重新抓取每个被引页面、按子句核对支持率(0–1)。这些机制分成 四族:写作时自律、事后引用修复、来源侧预引用、research/write 分离,并以 GPT-Researcher 作为外部基线。

被推翻的结论与负结果一并留在台账里,不做事后删改——这项研究的对象正是引用的可信性。

正在跳转到实验结果面板。如果没有自动跳转,请点击 实验结果面板 dashboard.html:质量与忠实度散点图、arm 排名、实验时间线;点任意 arm 或题目可查看原始问题、报告全文与评分理由。