Pesquisadores introduzem Analogical Deep Research (ADR), uma nova tarefa e benchmark (ADR-bench) projetada para testar se agentes de Modelos de Linguagem Grande podem recuperar e integrar efetivamente analogias históricas para análise prospectiva. O estudo identifica que os agentes atuais têm dificuldades porque correspondem a características superficiais em vez de mecanismos causais subjacentes.
Para abordar isso, os autores propõem o Causal Analogical Researcher (CANA), um framework agêntico que usa decomposição estrutural e feedback para alinhar mecanismos através de analogias. CANA alcança até 10% de melhoria na geração de analogias históricas e supera agentes de pesquisa profunda state-of-the-art no ADR-bench.
Estudos de caso envolvendo eventos em andamento confirmam a eficácia do CANA em aproveitar analogias históricas para análise prospectiva precisa.