Les grands modèles de langage ont permis le développement d'agents de recherche approfondie (DR), capables de diverses tâches de recherche. Les agents DR existants manquent souvent du processus itératif de la recherche humaine, comme la planification et la révision. Test-Time Diffusion Deep Researcher (TTD-DR) est présenté comme un nouvel agent qui imite les processus de recherche humaine. TTD-DR modélise la rédaction de rapports comme un processus de diffusion, affinant une ébauche par cycles itératifs. Il utilise des algorithmes tels que l'auto-évolution par composantes et le raffinement au niveau du rapport. L'agent commence par un plan de recherche, générant itérativement des questions de recherche et synthétisant des réponses. L'auto-évolution améliore les performances de chaque étape en utilisant des boucles de rétroaction et de révision. Le débruitage au niveau du rapport utilise un outil de recherche pour réviser itérativement l'ébauche avec de nouvelles informations. TTD-DR obtient des résultats de pointe sur les benchmarks de rédaction de rapports longs et de raisonnement multi-sauts. Les résultats montrent que TTD-DR est plus efficace et obtient une meilleure qualité que ses concurrents. L'approche "draft-first" maintient le processus de recherche concentré et cohérent.