论文导读
Snowflake AI Research、休斯敦大学、加州大学洛杉矶分校、香港大学等机构的研究团队制作HybridDeepResearch，让AI必须同时查网页和SQL数据库才能回答380道题。GLM-5.2、Claude Sonnet 4.6与GPT-5在困难子集的Pass@8约为50%至54%；结果受数据库、网页语料和智能体脚手架限制，不代表所有深度研究能力。
单项工具都会，难点出在把上一站的条件带到下一站
现实研究任务很少只靠搜索引擎或一张表完成。分析员可能先在数据库找到符合销量条件的公司，再去网页核对它的产品事件；也可能先从公开资料确定人物或机构，随后把名字转换成SQL筛选条件。只要实体名称、时间范围或角色约束在交接时丢失，两个单项答案都对，最终结论仍会错。
HybridDeepResearch设置三种信息流。SQL2S先跑数据库，再把查到的实体交给网页搜索；S2SQL反过来，先从网页恢复实体或条件，再写入SQL；Parallel让两边独立求解，最后取交集。每道题都锁定成“只用一个工具无法完整回答”，避免模型绕开跨工具步骤。
图1：数据库到搜索、搜索到数据库和并行求交三种混合推理路径。
380道题先从双重落地实体出发，再人工复核
团队以LiveSQLBench-Base-Lite数据库和公开网页语料为基础，先寻找同时存在于结构化表和公开文本中的实体。系统围绕同一实体分别生成SQL子问题和搜索子问题，再组合成最终问题。筛选过程会移除网页线索过时、实体有歧义或单边就能猜出完整答案的样本。
图2：一个数据库种子实体如何扩展成网页线索，并组成必须跨工具求解的问题。
最终基准有380个工具依赖任务，覆盖自动检查与人工审核。评测既使用真实网页后端，也准备固定语料后端，方便复现。答案可以自动核对，但智能体仍要决定先用哪个工具、怎样传递中间实体，以及失败后是否回到前一步修正。
顶级模型Pass@8约过半，方向性交接比并行求交更难
论文比较多种开源与闭源模型和智能体框架。代表性顶级模型GLM-5.2、Claude Sonnet 4.6与GPT-5在困难子集上，即使允许八次尝试，Pass@8也约为50%至54%。若看更严格的平均八次表现，图中代表性模型整体成功率仍低于30%。
图3：代表性模型在困难子集三种混合推理路径上的Avg@8表现。
模型在并行求交上相对好些，因为两路任务可以分开完成；需要把一边结果转成另一边查询条件时，错误明显增多。失败轨迹包括搜索已经找到正确实体，却在SQL里写错筛选条件；也包括数据库先查对对象，网页搜索随后丢掉时间或角色限制。它测到的是工具交接能力，不是单纯的搜索质量或SQL语法水平。
企业研究智能体落地需要显式保存约束和证据链
要把这类智能体用于业务分析，系统应把中间实体、字段含义、时间范围和来源证据保存为结构化状态，而不是只塞进越来越长的对话。每次工具切换后还可以检查：新查询是否保留了上一阶段全部条件，最终答案是否来自两边证据的真实交集。后续基准若加入动态网页、更复杂数据库和长链任务，才能继续检验这种状态管理是否在真实研究流程里有效。
参考资料
https://arxiv.org/abs/2609.09410
https://arxiv.org/html/2609.09410
https://github.com/Snowflake-AI-Research/HybridDeepResearch
https://huggingface.co/datasets/Snowflake/HybridDeepResearch
