Conheça o TTD-DR que ajuda você a transformar rascunhos em relatórios com busca

Ouça este artigo

TTD-DR — o agente de pesquisa que refina rascunhos como um processo de difusão

Você vai descobrir como os pesquisadores Rujun Han e Chen-Yu Lee, da Google Cloud, apresentam o TTD-DR (Test-Time Diffusion Deep Researcher): um agente que rascunha, busca evidências e revisa seus próprios textos até obter relatórios longos e coerentes. O sistema trata a escrita como um processo de difusão — um rascunho inicial é progressivamente refinado por buscas e revisões —, e os resultados e métodos estão descritos no post original: https://research.google/blog/deep-researcher-with-test-time-diffusion/.

Principais pontos

• TTD-DR imita o ciclo humano de planejar, pesquisar, rascunhar e revisar.

• Usa buscas iterativas para limpar o rascunho e incorporar fatos confiáveis.

• A auto-evolução melhora cada etapa do pipeline.

• Apresenta ganhos em relatórios longos e tarefas de raciocínio multi-hop.

• Versão produto disponível no Google Agentspace; detalhes no post dos autores: https://research.google/blog/deep-researcher-with-test-time-diffusion/.

Resumo executivo

TTD-DR (Test-Time Diffusion Deep Researcher) é um agente de pesquisa criado pela Google Cloud que trata a geração de relatórios como um processo de difusão: gera um rascunho inicial, produz consultas de busca a partir dele, recupera e sintetiza evidências, e repete o ciclo até obter um texto final de alta qualidade. Resultados oficiais mostram desempenho de ponta em relatórios longos e melhoria em tarefas multi-hop. Leia o artigo original para detalhes técnicos: https://research.google/blog/deep-researcher-with-test-time-diffusion/.

O que é e por que importa

• O que é: um agente que cria rascunho, formula perguntas de busca com base no rascunho, recupera documentos e usa as evidências para desfazer o ruído e melhorar o texto.

• Por que importa: muitos agentes encadeiam ferramentas sem reproduzir o ciclo iterativo humano. TTD-DR prioriza essa iteração, resultando em mais coerência e precisão em tópicos complexos.

Como funciona

Arquitetura em três etapas

• Geração do plano — cria um plano de pesquisa e estrutura do relatório.

• Busca iterativa — gera queries a partir do rascunho, recupera documentos e sintetiza respostas (semelhante a RAG).

• Síntese final — integra respostas e revisões para produzir o relatório final.

Componentes chave

• Auto-evolução componente-a-componente: cada etapa é avaliada e revisada para melhorar respostas individuais.

• Denoising com recuperação: o rascunho serve como entrada para buscas; as novas informações limpam e enriquecem o texto, repetindo-se até convergir.

Resultados e avaliação

Conjuntos e modelo base

• Testes em DeepConsult (relatórios longos), HLE e GAIA (tarefas multi-hop). Criado um subconjunto HLE-Search com 200 consultas que exigem busca intensiva.

• Modelo usado nos agentes: Gemini-2.5-pro.

Principais números

• DeepConsult (relatórios longos): win rate de 74.5% frente ao OpenAI DR.

• HLE-Search (multi-hop): 7.7% de correção sobre OpenAI DR.

• GAIA (multi-hop): 1.7% de correção sobre OpenAI DR.

• Ablação (backbone auto-evolução): win rate DeepConsult de 59.8% (melhora após auto-evolução).

Observações

• Ablações mostram ganhos incrementais: backbone sozinho fica atrás; auto-evolução melhora; adicionar denoising com recuperação amplia os ganhos.

• Diagrama de Pareto indica melhor qualidade por latência em comparação a outro agente principal, segundo os autores.

O que isso significa para você

Se você produz relatórios longos ou responde a consultas complexas, TTD-DR demonstra que priorizar um rascunho iterativamente refinado com evidências recuperadas melhora coerência e factualidade. A abordagem sugere que sistemas automáticos se beneficiam ao reproduzir o ciclo humano de planejamento, busca e revisão.

Disponibilidade e autores

• Produto: há uma versão disponível na Google Agentspace, implementada com o Google Cloud Agent Development Kit (veja também https://research.google/blog/deep-researcher-with-test-time-diffusion/).

• Autoria: trabalho conduzido por equipe da Google Cloud, incluindo Rujun Han e Chen‑Yu Lee, entre outros.

Limitações e contexto

• Comparações dependem dos modelos-base usados pelos concorrentes; nem todas as comparações são estritamente mesmas condições.

• Ganhos relatados dependem de conjuntos de dados e configurações experimentais.

• Depende de buscas e fontes de qualidade; em casos críticos, ainda é necessária revisão humana.

• Uso de modelos como Gemini-2.5-pro implica custo e latência.

Conclusão

TTD-DR mostra que é possível tratar pesquisa e escrita como um processo vivo: um rascunho que é lapidado por buscas iterativas, denoising com recuperação e auto-evolução. Os ganhos em relatórios longos e raciocínio multi-hop são robustos, mas dependem de dados e infraestrutura. Para mais detalhes técnicos, consulte o post original dos autores: https://research.google/blog/deep-researcher-with-test-time-diffusion/.

Perguntas frequentes

O que é o TTD-DR?
É um agente de pesquisa que transforma rascunhos em relatórios, usando busca iterativa e um processo inspirado em difusão para refinar o texto.

Como o TTD-DR melhora rascunhos?
Gera um rascunho inicial, cria perguntas de busca a partir dele, recupera documentos, sintetiza respostas e revisa o rascunho em ciclos até polir o texto.

Quais vantagens oferece sobre outros agentes?
Maior coerência em textos longos, melhor performance em multi-hop e melhor qualidade por latência, conforme benchmarks apresentados.

Como posso usar o TTD-DR?
Há uma versão produto no Google Agentspace, disponível via Google Cloud Agent Development Kit — consulte o post dos pesquisadores para instruções: https://research.google/blog/deep-researcher-with-test-time-diffusion/.

Quais são as limitações?
Depende de fontes atualizadas, do modelo-base e pode precisar de supervisão humana em casos sensíveis.

Se você quiser conhecer outros artigos semelhantes a Conheça o TTD-DR que ajuda você a transformar rascunhos em relatórios com busca, você pode visitar a categoria Dicas.