💡
原文日文，约3400字，阅读约需8分钟。
📝
内容提要
2025年，ByteDance Research推出了基于强化学习的论文检索智能体PaSa，用户只需提出学术问题，PaSa即可快速检索相关论文，显著提升调研效率。与主流工具相比，PaSa在召回率和准确率上均有显著提高，现已开放试用并提供开源数据和代码。
🎯
关键要点
- 2025年，ByteDance Research推出了基于强化学习的论文检索智能体PaSa。
- PaSa能够快速检索相关论文，显著提升调研效率，用户只需提出学术问题。
- 与主流工具相比，PaSa在召回率和准确率上均有显著提高。
- PaSa已开放试用，并提供开源数据和代码。
- PaSa的核心组件包括Crawler和Selector，分别负责收集和筛选相关论文。
- 研究团队构建了高质量的学术细粒度Query数据集AutoScholarQuery用于训练PaSa。
- PaSa在真实学术搜索场景中的表现优于多个基线模型，包括Google和ChatGPT。
- 在AutoScholarQuery测试集上，PaSa-7b的召回率和准确率均优于其他模型。
- PaSa的设计旨在应对学术搜索中的独特挑战，支持全面的召回能力和细粒度查询。
❓
延伸问答
PaSa是什么？
PaSa是ByteDance Research推出的基于强化学习的论文检索智能体，能够快速检索相关论文。
PaSa与其他检索工具相比有什么优势？
PaSa在召回率和准确率上显著提高，尤其在真实学术搜索场景中表现优于Google和ChatGPT等主流工具。
如何使用PaSa进行论文检索？
用户只需提出学术问题，PaSa会自动检索相关论文并呈现结果，整个过程只需两分钟。
PaSa的核心组件是什么？
PaSa的核心组件包括Crawler和Selector，分别负责收集和筛选相关论文。
PaSa是如何训练的？
PaSa通过构建高质量的学术细粒度Query数据集AutoScholarQuery进行训练，并使用强化学习优化其性能。
PaSa的开源信息是什么？
PaSa已开放试用，并提供开源数据、代码和模型，相关信息可在其项目仓库找到。
➡️
