检索增强推理沙盒：用于解耦检索与推理能力的基准

尽管大语言模型在现有基准上表现优异，其能否对真正新颖的科学信息进行推理仍不明确。当前评估多针对端到端RAG流程，混淆了推理、检索及工具链选择，并受参数化记忆和网络内容波动干扰。本文提出DeR2——一个受控的深度研究沙盒，通过四个证据访问机制（仅指令、概念、相关文档、完整文档集）隔离基于文档的推理，同时保留深度搜索的核心挑战：多步综合、去噪与基于证据的结论生成。DeR2可量化检索损失与推理损失，并支持细粒度错误归因。为防止参数泄露，采用两阶段验证机制；为确保可复现性，每个实例提供冻结的2023–2025年理论论文库及专家标注的概念与推理依据。实验表明，前沿模型在该基准上表现差异显著，存在模式切换脆弱性或结构性概念误用等问题。