阿里旗下首個深度研究Agent模型——通義DeepResearch正式開源，引發(fā)AI圈高度關注。該模型在多項權威基準測試中表現(xiàn)亮眼，不僅在號稱“人類最后考試”的HLE榜單中以32.9%的成績超越DeepSeek-V3.1（29.8%）和OpenAI DeepResearch（26.6%），更在BrowseComp榜單上以43.4%的準確率領跑開源模型。

這款30B參數(shù)（激活3B）的模型之所以能實現(xiàn)“小體量、大能量”，核心在于其獨特的訓練體系。研究團隊構建了“智能體合成數(shù)據(jù)”體系，通過Agentic CPT（增量預訓練）技術，將海量知識文檔、網(wǎng)頁數(shù)據(jù)、知識圖譜及工具使用記錄整合為開放世界記憶庫，自動生成高質量訓練數(shù)據(jù)。這種“機器生產(chǎn)”模式不僅擺脫了對人工標注的依賴，更通過動作合成技術生成規(guī)劃、推理、決策三類數(shù)據(jù)，使模型在離線狀態(tài)下即可探索海量推理路徑。

在數(shù)據(jù)處理層面，團隊開發(fā)了WebSailor V2全自動合成方案，通過隨機游走構建知識圖譜、策略性隱藏關鍵信息、集合論形式化建模等手段，確保生成的問題既貼近真實場景又具有足夠復雜度。特別針對跨學科難題，該方案能驅動配備網(wǎng)絡搜索、學術檢索工具的Agent，在循環(huán)中深化問題，實現(xiàn)任務難度的可控升級。

面對長程復雜任務，通義DeepResearch創(chuàng)新采用雙模式推理架構。標準任務下，模型通過ReAct模式（思考-行動-觀察）憑借128K超長上下文進行多輪次快速交互；極端復雜任務則啟動Heavy模式，將任務分解為多個研究輪次，每輪僅提取精華結論構建新工作空間，通過“綜合-重構”迭代保持認知焦點。這種設計有效解決了傳統(tǒng)單窗口模式的信息過載問題，使模型在HLE、BrowseComp等基準上持續(xù)刷新紀錄。

訓練流程方面，團隊打通了“Agentic CPT→SFT→Agentic RL”端到端鏈路，首次提出兩階段增量預訓練范式。在強化學習環(huán)節(jié)，基于GRPO定制優(yōu)化的算法通過token級策略梯度損失函數(shù)、留一法策略降低估計方差，配合大批量訓練維持監(jiān)督信號穩(wěn)定性。動態(tài)指標顯示，模型獎勵值持續(xù)上升且策略熵保持高位，表明其始終處于探索進化狀態(tài)。

基礎設施層面，團隊構建了全棧式訓練環(huán)境：利用離線維基百科和自定義工具套件創(chuàng)建的仿真平臺，擺脫了對實時Web API的依賴；工具沙盒通過緩存結果、失敗重試等機制保障交互穩(wěn)定性；自動數(shù)據(jù)管理系統(tǒng)形成“生成-訓練”正向循環(huán)；基于rLLM的異步框架實現(xiàn)多智能體并行訓練。這些創(chuàng)新使模型從基座開始，通過預訓練、微調(diào)、強化學習實現(xiàn)自我進化。

實際應用中，通義DeepResearch已賦能高德“小高老師”和“通義法?！眱纱螽a(chǎn)品。在高德V16版本中，基于Qwen模型微調(diào)的POI推理Agent能處理地理區(qū)域、交通約束、時間約束等多維度信息，例如用戶要求“在西湖邊找評分4.5以上、有兒童餐、距地鐵站1公里內(nèi)的浙菜館”，AI可立即給出最優(yōu)解及路線規(guī)劃。法律領域，“通義法睿”通過迭代式規(guī)劃執(zhí)行多步查詢，依托真實判例和法規(guī)提供可追溯分析，在答案要點、案例引用、法條引用質量上超越同類產(chǎn)品。

目前，開發(fā)者可在Hugging Face、GitHub、ModelScope獲取模型及技術報告。GitHub項目已獲7.2k星標，顯示出社區(qū)的高度認可。Hugging Face聯(lián)合創(chuàng)始人及斯坦福NLP實驗室等科技大V的轉發(fā)關注，進一步印證了該成果的技術影響力。