阿里又雙叒叕上大分了！

就在昨天，阿里旗下首個深度研究Agent模型——通義DeepResearch正式開源。

在多項權威基準上，通義DeepResearch狂飆SOTA，僅依靠30B參數（激活3B）就能大殺四方！

在號稱人類最后的考試榜單HLE（Humanity's Last Exam）中，通義DeepResearch更是拿下了32.9%的最高分，超越DeepSeek-V3.1（29.8%）和OpenAI DeepResearch（26.6%），霸榜全球第一！

在OpenAI提出的超高難度BrowseComp榜單上，通義DeepResearch以43.4%的準確率領跑開源榜單。

值得一提的是，模型、框架、方案全面開源，開發者即可在Hugging Face、GitHub下載。

目前，GitHub項目已狂攬7.2k星。

項目地址：https://github.com/Alibaba-NLP/DeepResearch 

Hugging Face模型地址：https://huggingface.co/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B 

ModelScope模型地址: https://modelscope.cn/models/iic/Tongyi-DeepResearch-30B-A3B 

技術博客: https://tongyi-agent.github.io/blog/introducing-tongyi-deep-research/

這波充滿了誠意的開源操作和出色性能，直接點燃了AI圈！

不僅引來廣大網友們紛紛致謝，甚至Hugging Face聯合創始人兼CEO Clem Delangue和斯坦福NLP實驗室等科技大V在第一時間進行轉發關注。

不止于問答：AI的「研究員」時代

我們已經習慣了AI的有問必答，但如果問題本身就無比復雜呢？

AI Deep Research 給出了答案。它徹底告別了「一問一答」的模式，進化為一位真正的「研究員」。面對一個棘手的問題，它會自主規劃一條完整的研究路徑，像人類專家一樣工作：

深度搜尋—多源交叉—結構化歸納—報告生成

你得到的，將是一份真正能解決問題的方案：論據有源可溯，過程清晰可復現，結論擲地有聲。

通義DeepResearch既可以是你的資深研究員，也能是你的高效私人助手，其首要任務便是將宏大問題精巧地拆解為一系列邏輯清晰的子任務。

隨后，它為每個環節自主調用代碼分析、論文檢索、網頁訪問等工具，以層層遞進、自主循環的方式完成整個研究鏈路。

說多無用，不如看一些直觀的演示。

假設你正在考慮出售房子，想要了解所在地區最近樓盤的銷售情況，直接找通義DeepResearch——

我住在夏威夷的珍珠城，位于瓦胡島上。 

我知道附近有兩處房產于2022年售出，分別是Akaikai Loop 2072號和Komo Mai Drive 2017號。

請找出這兩處房產中2022年售價更高的那套，并告訴我其成交金額。

通義DeepResearch分了四步思考：

想要完成任務，第一步就是拆解指令，然后「聯網」抓取數據，查詢2022年房產銷售記錄，并提取相應的銷售價格。

搜索之后，并非一下得出結果，而是在多個來源中，反復核查確認。

在生活規劃和日常決策過程中，通義DeepResearch主要調用「聯網搜索」工具，準確完成了任務。

過程

回答

再來看一個比較專的領域——法律，通義DeepResearch的表現又如何？

舉個栗子，生活中的法律糾紛經常見，自己又不懂法，想要解決難題扔給AI就好了。

假設一個人恰好遇到了「原告要求退還出資，但自己又欠了一屁股債，還有很多債權人」的難題，那么原告是否違反資本維持原則？

在行動之前，通義DeepResearch大腦已經有了完整的構思，從問題拆解到工具使用。

接下來，就會看到通義用上了各種工具，獲取法條、案例，并查找學術觀點，最終收集所有可靠信息。

可以看到，通義執行任務的整個過程非常縝密，方便后期回溯。

過程

回答

再比如，有一個博士級跨學科的難題，自己拿不準，可以請教通義。

考慮這樣一個「星座」的數學模型：在一小片天區內，每顆亮于某一特定星等的恒星，都與其最近的鄰居（按二維歐幾里得距離計算）連接一條邊。

假設恒星在天空中均勻分布，那么平均每個星座（即連通子圖）包含多少顆恒星？

此處，思考過程省略億字......

但從通義的表現中，看得出每一步的計算和思考，都是建立在深度搜索、查詢，反復驗證的過程之上。

除了常用的搜索、瀏覽工具，它還借用「Python解釋器」、「谷歌學術」等工具幫自己理解，最后給出詳細的報告。

那么，通義DeepResearch團隊是如何煉成「超級研究大腦」？深入技術細節，讓我們一一拆解。

從零開始的數據煉金術

高質量數據，是大模型的核心，也仍然是智能體的生命之源。

通義DeepResearch團隊在反復試錯和探索下，構建出一套完備的「智能體合成數據」體系，貫穿預訓練與后訓練的完整訓練鏈路。

這個策略的終極目標，是擺脫對昂貴且稀缺的人工標注數據的依賴，用「機器生產」的方式，源源不斷地創造出比人類標注質量更高、規模更龐大的訓練「教材」。

第一步：智能體增量預訓練數據合成

在預訓練過程中，傳統模型更像是一次性填鴨式教學，仍然是「記住知識」。

團隊首次引入了「Agentic CPT」（增量預訓練） 的概念，教會模型「使用知識」，并且構造了一個能夠持續進化和擴展的智能體預訓練數據合成方法AgentFounder。

• 構建開放世界記憶

團隊首先將海量知識文檔、網頁爬蟲數據、知識圖譜，以及模型后訓練產生的思考軌跡和工具使用記錄，全部匯集起來，構建了一個龐大的、以實體為核心的「開放世界知識記憶庫」。

接著，從這個記憶庫中抽取知識點，模擬真實世界中千奇百怪的場景，自動生成無數「問題-答案」對。

• 動作合成

更近一步，他們構建了三種類型的「動作數據」，具體包含規劃、推理和決策動作。

這種方法讓模型在離線狀態下，就能探索海量的推理路徑，而無需昂貴的在線API調用，大大提升了訓練效率和深度。

尤其是，對于「決策動作」合成，會將軌跡重構為多步驟決策過程，充分探索有效的問題解決路徑，讓模型決策能力大幅提升。

第二步：全自動高質量數據合成

基礎打好后，如何讓模型「百尺竿頭，更進一步」？

在后訓練階段，團隊又開發了一套全自動的合成數據生成方案，直接產出比人工標注質量還高的數據集。

從最早的WebWalker，到后來更系統的WebSailor，WebShaper，最后的WebSailor V2這一方案不斷迭代。

每一步，都Scaling了數據的質量和規模。

為了生成復雜的問答對數據，他們開創了一個全新流程：

• 確保數據真實

從真實網站數據中提取信息，用上隨機游走構建知識圖譜、表格數據融合等方式，保證了問題的「原汁原味」。

• 人為制造「迷霧」

接著，策略性地隱藏或模糊問題中的關鍵信息，或以其他方式增加問題的不確定性，來提升問題的難度。

團隊甚至將回答難度，建模為一系列可控的「原子操作」，由此一來，可以精準控制問題的復雜度。

• 杜絕「抄近道」

為了防止模型「偷懶」找捷徑，團隊還基于集合論把信息搜索問題形式化建模。

這不僅能生成更高質量的問題，還解決了合成數據難以驗證答案正確性的行業難題。

• 打造「博士級」難題

此外，還開發了一個專用于生成跨科學知識、多步推理的「博士級」研究難題的自動化數據流程。

它讓一個配備網絡搜索、學術檢索等工具的Agent，在一個循環中不斷深化和擴展問題，像滾雪球一樣讓任務難度可控升級。

兩種推理模式，征服長任務

擁有了頂級的「教材」，還需要高效的學習和思考方式。

通義DeepResearch模型同時支持兩種推理模式：一個是原生的ReAct Mode，另一個是基于上下文管理的Heavy Mode。

經典模式：ReAct Mode

在標準任務中，模型采用經典的ReAct（思考-行動-觀察）模式，性能超乎想象。

它就像一個直覺敏銳的行動派，憑借128K的超長上下文，可以進行多輪次的快速交互，高效解決問題。

這種通用、可拓展的推理模式，盡管簡單，但其是原生模型Agentic能力的直接體現。

深度模式：Heavy Mode

放眼全世界，谷歌、OpenAI、xAI等大廠都在「深度研究」上展開布局，緊追當前Agent熱點。

但是，他們大都采用了「單窗口、線性累加」信息處理模式，弊端就是信息一多，「AI大腦」就不夠用了。

因為，所有中間思路和檢索到的信息，都堆積在了單一的上下文中。

在處理長程任務中，這種模式下的Agent就會面臨「認知空間窒息」和「不可逆的噪聲污染」挑戰。

最終，AI推理能力下降，難以完成長程、復雜的研究任務。

當面對極端復雜、需要長遠規劃的研究任務時，「深度模式」（Heavy Mode）便會啟動。

具體來說，模型會將一個龐大任務分解為一系列「研究輪次」：

• 在每一輪開始，Agent僅從上一輪的信息中提取最精華的結論，構建一個全新的、精簡的工作空間。
• 在這個專注的工作空間里，Agent分析問題，將關鍵發現整合進一個不斷演變的核心報告中。
• 最后，它決定下一步是繼續收集信息，還是給出最終答案。

這種「綜合-重構」的迭代過程，讓Agent在執行超長期任務時，始終能保持清晰的「認知焦點」和高質量的推理能力。

更進一步，團隊還提出了Research-Synthesis框架：

讓多個IterResearch Agent并行研究同一問題，最后將其報告和結論整合，從而獲得更全面、更準確的答案。

這一模式下，通義30B-A3B模型在HLE、BrowseComp、BrowseComp-ZH基準上，性能再破紀錄。

AI智能體自我進化

端到端訓練技術革新

如果說數據和推理模式是「招式」，那么訓練流程就是「心法」。

團隊打通了「Agentic CPT→ SFT→ Agentic RL」端到端全鏈路，首次提出了兩階段的智能體增量預訓練，引領了智能體訓練的新范式。

此外，其基于ReAct框架的強化學習環節，最能體現其深厚的系統工程能力。

團隊坦言，通過強化學習構建高質量Agent，是一項復雜的系統工程挑戰。

如果將開發過程視為一個「強化學習」循環，其組件中任何不穩定，或是魯棒性不足之處，都可能導致錯誤的「獎勵」信號。

那么，在強化學習過程中，團隊如何在算法和基礎設施上取得突破？

• 算法是核心

針對算法，基于GRPO定制優化，嚴格遵循on-policy訓練范式，確保信號匹配模型能力。

與此同時，采取一個token級策略梯度損失函數，以優化訓練目標。結合留一法 (leave-one-out) 策略，降低優勢估計方差。

為了避免「格式崩潰」現象，團隊還進行多種策略的負樣本篩選，比如排除過長未能生成答案的樣本。

此外，通過增大批次（batch size）和組規模（group size），維持較小方差，提供充足監督信號。

如上圖動態指標顯示，獎勵持續震蕩上升。同時，策略熵（policy entropy）保持較高水平，說明模型在持續探索進化，避免了過早收斂。

這得益于Web環境的非平穩性，形成了魯棒自適應策略，無需額外正則化。

算法穩定搞定了，就一切萬事大吉了嗎？顯然不是。

• 基礎設施更關鍵

團隊分享了一個至關重要的洞見：

算法固然重要，但并非成功的唯一決定因素。數據質量和訓練環境的穩定性，可能是決定強化學習項目成敗的更關鍵一環。

一個極具說服力的現象是，團隊曾嘗試直接在人工標注的BrowseComp測試集上訓練模型來驗證算法，結果其表現遠不如使用自研合成數據訓練的效果。

由此，他們推測，這是因為合成數據提供了一致性更高的潛在分布，使模型能進行更有效的學習和擬合。

相較之下，規模有限、含有更多噪聲的人工數據，反而讓模型難以提煉和泛化。

為了實現穩定、高效的強化學習，他們構建了一套全棧式的基礎設施「護城河」：

• 仿真訓練環境：利用離線維基百科和自定義工具套件，創建了一個經濟高效、快速可控的模擬訓練平臺，擺脫了對昂貴且不穩定的實時Web API的依賴。
• 工具沙盒：通過緩存結果、失敗重試、飽和式響應等機制，為智能體提供了快速魯棒的交互環境，防止工具的偶然錯誤破壞其學習軌跡。
• 自動數據管理：在訓練動態的指導下實時優化數據集，通過全自動數據合成和數據漏斗，形成「數據生成」與「模型訓練」之間的正向循環。
• On-policy的異步框架：基于rLLM實現，讓多個智能體實例并行與環境交互，獨立生成軌跡，極大提升了訓練效率。

通過這一系列措施，阿里團隊實現了智能體強化訓練的「閉環」，讓模型從一個基座模型開始，通過預訓練、微調，最終在強化學習中實現自我進化。

這套全棧方案，恰恰為解決復雜任務的AI智能體訓練樹立了全新范式。

「高德行程規劃」和「律師小助理」雙開花

過去半年，通義DeepResearch團隊在Deep Research研發中不斷深耕，每月一篇新作，全部斬獲SOTA。

通義DeepResearch團隊技術報告矩陣

除了技術報告誠意滿滿，通義DeepResearch團隊一口氣連發六篇技術報告，除了延續Web系列的WebResearcher、WebWeaver、WebResummer、WebSailor V2的四篇工作之外，更是全新推出Agent系列的AgentFounder和AgentScaler！

這些重磅研究，并非是實驗室的「花瓶」，它們早已走向落地，賦能阿里旗下多個產品。

比如，每個人都能感知的案例——高德「小高老師」。可能你還不知道的是，其背后就是通義DeepResearch提供的加持。

前段時間，高德暑期大版本V16，重點全面推出「地圖導航+本地生活」場景。

通義團隊和高德深度合作，在上述導航和本地生活場景中構建集成Deep Research能力的垂類智能體。

在規劃決策中，通義團隊基于Qwen模型微調構建精通地圖領域的復雜「POI推理Agent」，一個超懂地圖的智能助手。

它能一鍵get各種復雜需求，比如地理區域、參與者約束、交通約束、時間約束、POI屬性等多維度信息。

舉個例子，當你輸入一長串要求——

我想在西湖邊上找家評分4.5以上的浙菜館，得有兒童餐，而且從地鐵站走過去不能超過1公里。

AI能夠立即挑出最合適的點，連怎么走都可以安排得明明白白。

再比如，假設想去奧森Citywalk，高德AI瞬間就能制定出三種攻略。

打開每一種攻略，可以看到，它會幫你做出詳細的時間規劃，貼心地推薦餐飲、游玩景點等。

通義出模型，高德出工具和Agent鏈路，由此打造出了「小德助手」驚艷的體驗。

在法律領域，通義DeepResearch能力也深度融合到了「通義法睿」中，一個原生法律智能體。

它集問答、案例檢索、合同審查、文書起草于一身，可以滿足法律用戶的需求。

升級后，基于創新性Agentic架構和迭代式規劃（Iterative Planning），「通義法睿」DeepResearch大幅升級。

如今，它能夠執行多步查詢，依托真實判例、法規和解讀，提供可追溯分析。

通過PK，「通義法睿」在三大核心維度——答案要點質量、案例引用質量、法條引用質量上，超越了OpenAI、Claude家的Deep Research。

總結

總而言之，通義DeepResearch的開源，無疑是AI社區的一大福音，人人可構建專屬的深度研究智能體。

它證明了，輕量模型在「深度研究」領域中也能稱霸。

它很慷慨，大方分享其背后技術秘方——合成數據+強化學習是訓練模型的未來。

下一個爆款APP，或許有天，正是通義DeepResearch打造的。