一、背景

在現(xiàn)實生活中，我們常常需要解決各種復雜的多步推理問題，這些問題往往需要從多個網(wǎng)頁中獲取信息，并進行綜合分析和推理才能得出答案。例如，當我們想要了解某個歷史事件的詳細經(jīng)過時，可能需要查閱多個不同來源的網(wǎng)頁，對比和分析其中的信息，才能還原事件的全貌。這種復雜的信息檢索任務(wù)，對于傳統(tǒng)的搜索引擎來說是非常困難的，因為它們通常只能提供單步的搜索結(jié)果，而無法像人類一樣進行多步的推理和決策。

近年來，隨著大型語言模型（LLMs）和大型推理模型（LRMs）的發(fā)展，人們開始嘗試將這些模型應(yīng)用于信息檢索任務(wù)中。然而，這些模型在處理復雜的多步推理任務(wù)時，仍然存在一些局限性。例如，直接利用提示工程技術(shù)來引導這些模型執(zhí)行復雜任務(wù)，往往無法充分利用模型的推理能力；而將搜索或瀏覽能力整合到智能體中，雖然可以通過監(jiān)督微調(diào)（SFT）或強化學習（RL）來訓練，但現(xiàn)有的訓練數(shù)據(jù)集相對簡單，無法涵蓋現(xiàn)實世界中的復雜挑戰(zhàn)。

為了解決這些問題，WebDancer應(yīng)運而生。它基于ReAct框架，通過一種數(shù)據(jù)驅(qū)動和分階段訓練的方法，構(gòu)建了一個能夠自主進行多步信息檢索的智能體。WebDancer的出現(xiàn)，標志著我們在自主智能體領(lǐng)域，訓練類DeepResearch的模型邁出了重要的一步。

二、WebDancer的核心技術(shù)

WebDancer的核心創(chuàng)新體現(xiàn)在三個層面：

1. 數(shù)據(jù)合成的層次化設(shè)計：通過兩種方法來合成數(shù)據(jù)集實現(xiàn)了兼顧“廣度覆蓋”與“深度升級”的數(shù)據(jù)集體系，解決了傳統(tǒng)數(shù)據(jù)集規(guī)模小、場景單一的問題。實驗表明，混合使用兩類數(shù)據(jù)集可使模型在GAIA基準的Pass@1指標顯著提升。
2. 長短推理鏈的協(xié)同訓練：提出將LLM生成的短推理鏈與LRM生成的長推理鏈結(jié)合，通過拒絕采樣機制融合不同粒度的推理模式。消融實驗顯示，長推理鏈對復雜問題（GAIA Level 3）的解決率有顯著貢獻，驗證了多尺度推理的必要性。
3. 動態(tài)采樣的強化學習策略：DAPO算法通過過濾準確率極端的樣本（0或1），聚焦難樣本的迭代優(yōu)化，使RL階段的數(shù)據(jù)利用效率顯著提升。

具體來說，WebDancer的構(gòu)建過程可以分為四個關(guān)鍵階段：瀏覽數(shù)據(jù)構(gòu)建、軌跡采樣、監(jiān)督微調(diào)以及強化學習。

（一）瀏覽數(shù)據(jù)構(gòu)建

為了訓練WebDancer，首先需要構(gòu)建高質(zhì)量的瀏覽數(shù)據(jù)。這些數(shù)據(jù)需要反映多樣化的用戶意圖和豐富的交互上下文。WebDancer采用了兩種方法來合成數(shù)據(jù)集：CRAWLQA和E2HQA。

CRAWLQA通過爬取網(wǎng)頁來構(gòu)建基于網(wǎng)頁信息的問答對。它從一些富含知識的網(wǎng)站（如arxiv、github、wiki等）的source頁面開始，模擬人類的瀏覽行為，遞歸地導航到子頁面，并收集頁面上的信息。然后，利用GPT-4o等大型語言模型，根據(jù)收集到的信息生成合成的問答對。這些問答對涵蓋了多種類型的問題，如計數(shù)問題、多跳問題和交集問題等，能夠有效地激發(fā)模型的多步推理能力。

圖片

E2HQA則采用了一種從簡單到復雜的問答對合成方法。它從簡單的問答對開始，通過逐步增加問題的復雜性，將簡單的問題轉(zhuǎn)化為復雜的多步問題。具體來說，它首先從簡單的問題中選擇一個實體，然后利用搜索引擎獲取與該實體相關(guān)的信息，并根據(jù)這些信息重新構(gòu)造問題。通過這種方式，可以逐步將一個簡單的問題轉(zhuǎn)化為一個需要多步推理才能解決的復雜問題。

（二）軌跡采樣

在構(gòu)建了高質(zhì)量的問答對之后，WebDancer需要采樣出高質(zhì)量的軌跡來指導智能體的學習過程。軌跡采樣采用了拒絕采樣方法，結(jié)合了短鏈思考（Short-CoT）和長鏈思考（Long-CoT）兩種策略。

短鏈思考軌跡是通過直接利用ReAct框架，使用強大的模型（如GPT-4o）來收集的。而長鏈思考軌跡則是通過逐步提供歷史動作和觀察結(jié)果給推理模型（如QwQ-Plus），讓模型自主決定下一步的動作。在采樣過程中，會進行多次拒絕采樣，以確保生成的軌跡的質(zhì)量和連貫性。

（三）監(jiān)督微調(diào)

監(jiān)督微調(diào)階段的目的是讓模型適應(yīng)智能體任務(wù)的格式和環(huán)境。在這個階段，WebDancer利用前面采樣得到的高質(zhì)量軌跡，對模型進行微調(diào)。通過這種方式，模型能夠?qū)W習到如何在智能體任務(wù)中交替進行推理和行動，從而更好地完成多步信息檢索任務(wù)。

（四）強化學習

強化學習階段的目標是將智能體能力內(nèi)化到推理模型中，增強模型在多步、多工具使用場景下的能力。WebDancer采用了Decoupled Clip and Dynamic Sampling Policy Optimization（DAPO）算法來進行強化學習。DAPO算法通過動態(tài)采樣機制，有效地利用了在監(jiān)督微調(diào)階段未充分利用的問答對，提高了數(shù)據(jù)效率和策略的魯棒性。

圖片

三、WebDancer的實驗結(jié)果

WebDancer在兩個具有挑戰(zhàn)性的信息檢索基準測試——GAIA和WebWalkerQA上進行了實驗評估。實驗結(jié)果表明，WebDancer在這些基準測試中取得了顯著的性能提升，證明了其訓練范式的有效性。 我們表現(xiàn)最佳的模型在GAIA基準測試中達到了61.1%的Pass@3分數(shù)，在WebWalkerQA基準測試中達到了54.6%的Pass@3分數(shù)。

圖片

四、未來展望：WebDancer 的新征程

盡管 WebDancer 已經(jīng)取得了令人矚目的成就，但它的發(fā)展之路還遠未結(jié)束。未來，WebDancer 將在多個方向上繼續(xù)探索和創(chuàng)新。

（一）更多工具的集成

目前，WebDancer 僅集成了兩種基本的信息檢索工具，未來計劃引入更多復雜的工具，如瀏覽器建模和 Python 沙盒環(huán)境。這些工具將使智能體能夠執(zhí)行更復雜的任務(wù)，如網(wǎng)頁瀏覽、數(shù)據(jù)抓取、API 調(diào)用等，從而拓展智能體的能力邊界，使其能夠應(yīng)對更廣泛的挑戰(zhàn)。

（二）任務(wù)泛化與基準擴展

目前的實驗主要集中在短答案信息檢索任務(wù)上，未來 WebDancer 將擴展到開放域的長文本寫作任務(wù)。這將對智能體的推理能力和生成能力提出更高的要求，需要設(shè)計更可靠和更有效的獎勵信號。同時，WebDancer 也將參與更多基準測試，以驗證其在不同任務(wù)類型和領(lǐng)域中的泛化能力。

五、討論：Post-train Agentic Models

相比于一些驅(qū)動于強大的具有很強的agentic能力的閉源模型，例如gpt-o4，claude的promtpting工程框架，本研究的側(cè)重點在從頭訓練一個具有強大agent能力的模型，這對于實現(xiàn)agent model的開源以及推進我們對agent在開放系統(tǒng)中如何產(chǎn)生和scale的基本理解至關(guān)重要。我們使用的的原生ReAct框架秉持著簡潔性，體現(xiàn)了大道至簡的原則。 Agentic models是指那些在交互式環(huán)境中，天生支持推理、決策以及多步驟工具使用的foundation models。這些模型僅通過任務(wù)描述的提示，就能展現(xiàn)出諸如規(guī)劃、自我反思以及行動執(zhí)行等突發(fā)性能力（emergent capabilities）。 近期的 DeepSearch 和 Deep Research 等系統(tǒng)，展示了強大的底層模型如何作為智能體的核心，通過其對工具調(diào)用和迭代推理的天然支持，實現(xiàn)自主的網(wǎng)絡(luò)交互。然而，由于網(wǎng)絡(luò)環(huán)境本質(zhì)上是動態(tài)的且部分可觀察的，強化學習在提升智能體的適應(yīng)性和魯棒性方面發(fā)揮了關(guān)鍵作用。在本研究中，我們的目標是通過有針對性的后訓練（post-training），在開源模型中激發(fā)自主智能體的能力。

六、WebDancer的意義與展望

WebDancer的出現(xiàn)，不僅為解決復雜的多步信息檢索問題提供了一種新的方法，也為自主智能體的研究和發(fā)展提供了重要的啟示。通過數(shù)據(jù)驅(qū)動和分階段訓練的方法，WebDancer成功地構(gòu)建了一個能夠自主進行多步信息檢索的智能體，為未來智能體的發(fā)展提供了新的思路和方向。

WebDancer與Deep Research在目標上具有一致性，如果通過更系統(tǒng)化的方法來構(gòu)建和訓練智能體，使其能夠更好地適應(yīng)復雜的網(wǎng)絡(luò)環(huán)境仍是一個開放并且具有挑戰(zhàn)的課題。

總之，WebDancer的出現(xiàn)為我們解決復雜的網(wǎng)絡(luò)信息檢索問題提供了一種新的可能性。隨著技術(shù)的不斷發(fā)展和完善，我們有理由相信，未來的自主智能體將在更多的領(lǐng)域發(fā)揮重要作用，為我們的生活和工作帶來更多的便利和創(chuàng)新。

參考資料

• 《WebDancer: Towards Autonomous Information Seeking Agency》，Jialong Wu, Baixuan Li, Runnan Fang, Wenbiao Yin, Liwen Zhang, Zhengwei Tao, Dingchu Zhang, Zekun Xi, Yong Jiang, Pengjun Xie, Fei Huang, Jingren Zhou，阿里巴巴通義實驗室，https://arxiv.org/pdf/2505.22648
• 《ReAct: Synergizing Reasoning and Acting in Language Models》，Shunyu Yao等，普林斯頓大學，https://arxiv.org/abs/2210.03629
• 《GAIA: A Benchmark for General AI Assistants》，Grégoire Mialon等，Meta AI，https://arxiv.org/abs/2311.12983