Los investigadores presentan Analogical Deep Research (ADR), una nueva tarea y benchmark (ADR-bench) diseñada para probar si los agentes de Modelos de Lenguaje Grande pueden recuperar e integrar efectivamente analogías históricas para el análisis prospectivo. El estudio identifica que los agentes actuales luchan porque coinciden con características superficiales en lugar de mecanismos causales subyacentes.
Para abordar esto, los autores proponen Causal Analogical Researcher (CANA), un marco agéntico que utiliza descomposición estructural y retroalimentación para alinear mecanismos a través de analogías. CANA logra hasta un 10% de mejora en la generación de analogías históricas y supera a los agentes de investigación profunda más avanzados en ADR-bench.
Los estudios de caso que involucran eventos en curso confirman la efectividad de CANA para aprovechar las analogías históricas para un análisis prospectivo preciso.