Deep Research (DR)는 복잡하고 개방적인 연구 과제를 해결하기 위한 새로운 에이전트 패러다임으로 부상하였으며, 문제를 반복적으로 프레임화하고, 증거를 수집하며, 출처를 검증하고, 장문의 보고서를 합성할 수 있는 시스템을 요구합니다. 그러나 실제로 현재의 DR 시스템은 서로 연관된 네 가지 제한 사항으로 인해 제약을 받습니다: 불충분하게 정의된 범위에 대한 장기 계획 (long-horizon planning), 단일 에이전트 내에서 이러한 과제를 분해하고 스케줄링하는 과정의 병목 현상, 장문 합성 시의 환각 (hallucination) 위험, 그리고 제한된 프로세스 감사 가능성 (auditability)입니다. 본 기술 보고서는 Qianfan Agent Foundry를 기반으로 구축된 멀티 에이전트 DR 프레임워크인 DuMate-DeepResearch를 제시합니다. 이 프레임워크는 작업 이해, 계획 및 스케줄링을 담당하는 에이전트 코어 (Agent Core)를 검색, 증거 수집 및 보고서 렌더링을 위한 확장 가능한 도구 생태계 (Tool Ecosystem)와 분리하여, 모든 중간 결정과 도구 호출을 명시적으로 추적할 수 있게 합니다. 이러한 인프라를 바탕으로 DuMate-DeepResearch는 세 가지 메커니즘을 추가로 도입합니다: (i) 그래프 기반의 동적 계획 전략은 연구 로드맵을 거친 단계에서 세밀한 단계로 확장하며, 성찰 (reflection), 재계획 (re-planning), 백트래킹 (backtracking) 및 병렬 분기 (parallel branching)를 통해 로드맵을 지속적으로 수정합니다; (ii) 재귀적인 2단계 실행 설계는 각 복잡한 검색 하위 과제를 자체적인 계획 루프를 실행하는 내부 검색 에이전트 (Search Agent)에 위임하여, 노이즈가 있는 검색을 격리하고 장기 실행을 안정화합니다; (iii) 루브릭 (rubric) 기반의 테스트 시간 최적화 (test-time optimization) 메커니즘은 작업별 품질 기준을 동적으로 생성하고, 이를 증거에 기반한 합성 및 적응형 중단 (adaptive stopping)을 위한 실시간 추론 스캐폴드 (reasoning scaffolds)로 사용합니다. 두 개의 딥 리서치 벤치마크를 통해 DuMate-DeepResearch는 새로운 SOTA (state-of-the-art) 결과를 수립했습니다: DeepResearch Bench에서 최고 종합 점수 (58.03%)를 기록하였고, DeepResearch Bench II에서 정보 재현 (information recall) 및 분석 부문 1위를 차지하며 최고 종합 점수 (61.95%)를 기록했습니다.