Большие языковые модели позволили разработать агентов для глубоких исследований (DR), способных выполнять различные исследовательские задачи. Существующие DR-агенты часто лишены итеративного процесса человеческих исследований, такого как планирование и пересмотр. Test-Time Diffusion Deep Researcher (TTD-DR) представлен как новый агент, имитирующий процессы человеческих исследований. TTD-DR моделирует написание отчета как процесс диффузии, уточняя черновик посредством итеративных циклов. Он использует алгоритмы, такие как поэтапная самоэволюция и уточнение на уровне отчета. Агент начинает с исследовательского плана, итеративно генерируя поисковые вопросы и синтезируя ответы. Самоэволюция улучшает производительность каждого этапа, используя обратную связь и циклы пересмотра. Устранение шума на уровне отчета использует инструмент поиска для итеративного пересмотра черновика с новой информацией. TTD-DR достигает передовых результатов в написании отчетов в длинной форме и бенчмарках многоступенчатых рассуждений. Результаты показывают, что TTD-DR более эффективен и достигает лучшего качества, чем конкуренты. Подход "сначала черновик" сохраняет исследовательский процесс сфокусированным и последовательным.