阿里通义DeepResearch技术报告解读：开源深度研究智能体新标杆

我们在做长周期科研型Agent时，曾连续卡壳两个核心问题：一是标注多步推理轨迹的成本高到离谱——为了训练模型“分解问题→搜文献→验证结论”的流程，标注千条高质量科研级轨迹花了近万元，还达不到训练所需的规模；二是RL训练后期总出现“策略崩溃”——明明前期模型能正常调用工具，越训反而越容易陷入“重复搜同一关键词”的死循环。直到看到阿里Tongyi Lab发布的Tongyi DeepResearch技术报告，才发现他们不仅用全自动化方案解决了数据标注难题，还通过分阶段训练让305亿参数量模型仅激活33亿/Token，效率远超同类型闭源模型（比如OpenAI o3）。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

如果你也在做Agent开发、长上下文推理或科研级信息检索，这篇论文值得仔细拆解——它不仅给出了可复现的技术方案，还开源了模型、框架和工具链，相当于把“AI研究员”的训练手册直接摆在了桌面上。

一、先搞懂：Deep Research Agent的3个核心科研痛点

在聊方案前，得先明确一个前提：“Deep Research Agent”和普通问答模型完全不是一回事。普通模型比如ChatGPT-4o能回答已知问题，但面对“2024年某西部矿区发现的新矿物，其成分与19世纪某纪念币的金属成分是否存在关联”这类需要多步推理、实时搜信息、跨源验证的问题，就会束手无策。而Deep Research Agent要做的，正是模拟人类研究员的工作流：从问题拆解到信息检索，再到结论合成，全程自主完成。

但实际开发中，这三类痛点几乎是所有团队的“必踩坑”：

1. 数据瓶颈：科研级轨迹标注“又贵又慢”

训练Agent需要大量“问题→多步行动→结论”的轨迹数据，但科研级问题的标注难度远超普通NLP任务。比如要标注“验证某历史人物的军事单位与货币发行的关联”，标注员不仅要懂历史背景，还要还原“先搜人物履历→确认军事单位→查货币发行年份→验证冲突时间”的完整逻辑链。论文里引用Wei et al. 2025的研究指出，这类数据的标注成本是普通对话数据的10倍以上，中小团队根本扛不住。

更麻烦的是，自然数据里几乎没有这类轨迹——你没法从网页上直接爬取“研究员思考+行动”的完整记录，只能靠人工造，这就陷入了“要训练模型先有数据，要有数据先有模型”的死循环。

2. 训练不稳定：从“会做事”到“乱做事”的策略崩溃

我们之前用Llama2-7B做Agent微调时，遇到过一个诡异现象：前5个epoch模型还能正常规划步骤（比如先搜“某矿物成分”再对比“纪念币成分”），到第6个epoch突然开始“瞎操作”——反复调用搜索工具搜同一个关键词，或者跳过关键验证步骤直接给结论。这就是论文里说的“policy collapse（策略崩溃）”。

后来才明白，问题出在“训练范式”上：普通LLM是先预训练再指令微调，但Agent需要“会行动”的直觉（比如什么时候该搜、什么时候该总结），而通用预训练数据里没有这种“Agent偏置”。直接在通用LLM上做RL训练，就像让没学过实验操作的学生直接进实验室，很容易走偏。

3. 效率与成本：大模型“吃资源”却不“干活”

之前试过用13B参数量的模型做Deep Research，结果发现两个问题：一是全参激活时单条轨迹推理要10多秒，训练一轮要一周；二是长上下文（比如64K）下，模型会“记不住前面的搜索结果”，导致推理断裂。而闭源模型比如OpenAI DeepResearch虽然效果好，但既看不到中间过程，也没法部署到私有环境，科研和产业落地都受限。

二、Tongyi DeepResearch的核心方案：从“数据→训练→环境”的全链路破局

这篇论文最让我惊艳的，不是某一个单点创新，而是把“数据合成、分阶段训练、环境设计”串成了一个闭环——就像给AI研究员设计了一套“从入门到精通”的培养体系，每个环节都解决了前面提到的痛点。

1. 先解决数据：全自动化合成，不用人工标注

他们设计了一套“全自动数据合成流水线”，相当于造了一个“AI标注员”，能批量生成科研级的Agent轨迹。核心逻辑分三步，每一步都针对性解决数据问题：

• 第一步：生成科研级问题——不是简单的“what/why”问题，而是需要多步推理的复杂问题。比如论文里的案例：“某18世纪游记改编的广播剧提到英国某港口走私猖獗，该港口还出了个16世纪绅士，其妻子因谋杀他被处决；19世纪初该港口有人获商业专利，同年某收藏家获油墨研磨专利，且某德国家族获贵族头衔——这个贵族头衔的德语称谓是什么？”（答案是Fürstenstand）。

生成这类问题的关键是“实体锚定”——先建一个包含实体（人物、地点、事件）和关联知识的知识库，再随机抽样实体组合成问题，保证问题的复杂性和真实性。这就像研究员设计实验时，会基于已有文献的知识点组合出新课题，而不是凭空捏造。

• 第二步：生成Agent行动轨迹——针对每个问题，自动生成“思考（Thought）→行动（Action）→观察（Observation）”的完整链。比如问题分解阶段，用开源模型生成“先查游记对应的港口→再查该港口的16世纪人物→接着查19世纪专利年份”的规划步骤；推理阶段，还会用“长度过滤+答案一致性验证”确保推理链没错（比如搜出港口是多佛尔，就不会把其他港口的人物混进来）。

这里有个细节很关键：他们把“决策”单独作为一种行动类型。比如模型在“继续搜还是总结结论”时，会生成“当前已有港口、人物、专利年份的信息，缺少贵族头衔的德语称谓，需要再搜‘19XX年德国家族贵族头衔 德语’”的决策过程。这恰好解决了我们之前模型“不知道什么时候停”的问题——因为数据里明确包含了决策逻辑，模型能学到“判断是否需要继续行动”的直觉。

• 第三步：验证数据质量——合成的数据不是直接用，而是通过“自动验证”过滤低质量样本。比如数学问题会检查计算步骤是否正确，历史问题会验证时间线是否一致。这比人工验证快10倍以上，还能保证数据分布稳定——不会出现“有的样本简单，有的样本超难”的情况。

2. 再解决训练：中训+后训，避免策略崩溃

传统方案要么只做“预训练→后训”，要么直接在通用LLM上微调，而他们加了一个“Agentic Mid-training（中训）”阶段，相当于给模型加了“Agent启蒙课”，从根本上解决训练不稳定的问题。

整个训练流程分三阶段，像极了研究生的培养路径：

这里有两个关键创新点，直接解决了我们之前的训练痛点：

• 中训阶段的“渐进式上下文”：先练32K再练128K，而不是一上来就用长上下文。我们之前试过直接用64K上下文训练，模型经常“记不住前面的步骤”，而这种渐进式训练让模型先掌握短序列的Agent逻辑，再扩展到长序列，就像研究员先做小实验，再做大课题，基础更牢。

• RL阶段的“动态数据筛选”：训练时会自动去掉两类样本——“模型每次都做对”的（没学习价值）和“模型每次都做错”的（太超纲，容易打击信心），只留“偶尔对偶尔错”的中等难度样本。我们之前就是因为没筛选样本，把太多超难样本混进去，导致模型越训越乱，而这个方法让RL训练的稳定性提升了不少。

3. 最后解决环境：分阶段设计，兼顾成本与真实度

Agent训练不能只靠数据，还需要和环境互动（比如调用搜索工具、访问网页），但真实环境贵、模拟环境假，这篇论文用“三种环境”解决了这个矛盾：

• Prior World Environment（先验世界环境）：不用真实工具，靠模型已有的知识生成“模拟反馈”。比如模型调用“搜索‘多佛尔港口 16世纪人物’”，环境直接返回“多佛尔港口16世纪有XXX人物，其妻子因谋杀被处决”的模拟结果。这种环境零成本、无限量，适合中训阶段练基础动作，就像研究员先在“虚拟实验室”里练操作流程，再进真实实验室。

• Simulated Environment（模拟环境）：基于2024年维基百科数据建本地知识库，用RAG工具模拟网页访问。比如模型要查“某纪念币发行年份”，环境会从本地维基数据里提取信息返回。这种环境比真实环境快10倍，成本低，适合RL阶段的快速迭代——我们之前用真实搜索API时，光QPS限制就导致训练中断过好几次，而模拟环境完全没这个问题。

• Real-world Environment（真实环境）：对接真实的Google搜索、Google Scholar、Python解释器等工具，但加了一个“统一沙箱”——就像给工具加了“安全防护网”：比如搜索API超时会自动重试，关键数据会缓存，还能切换备用数据源（比如Google搜不到就用Bing）。这个设计解决了真实环境的“不稳定性”，我们之前因为API故障导致的训练数据污染，在这里几乎不会发生。

更聪明的是，他们会根据训练阶段切换环境：中训用Prior World+模拟环境，快速攒经验；后训先在模拟环境验证策略，再到真实环境做最终优化——既省成本，又保证了模型在真实场景的效果。

三、实验验证：3.3B激活参数量，干翻闭源模型？

看论文不能只看方案，关键要看实验能不能复现、效果是不是真的好。这篇论文的实验设计很扎实，覆盖了7个Deep Research核心 benchmark，还做了不少消融实验，能直接看到每个创新点的价值。

1. 核心结果：开源模型里的“性能天花板”

先看关键benchmark的对比：

几个关键洞察：

• 综合能力第一：在Humanity’s Last Exam（被称为“人类最后一场考试”，涵盖历史、科学等跨领域复杂问题）上，32.9分远超OpenAI o3的24.9分，甚至比DeepSeek-V3.1高3分——要知道这个benchmark里很多问题需要“搜文献+理时间线+验证结论”，模型能拿到这个分数，说明其多步推理能力确实过硬。

• 中文能力亮眼：BrowseComp-ZH虽然比OpenAI o3低，但作为开源模型，46.7分已经是优秀的开源模型（这里不得不提DeepSeekV3.1也在BrowseComp中是表现优秀的开源模型）。

• 效率优势明显：最关键的是，Tongyi DeepResearch总参数量305亿，但每Token仅激活33亿参——相当于用“低配硬件”跑出了“高配效果”。

2. Heavy Mode：靠“多Agent并行”再提性能

论文还提出了一个“Heavy Mode”，解决了“单Agent推理有局限”的问题——就像实验室里多个研究员分工合作，有人查文献、有人做实验、有人分析数据，最后汇总结论。

具体做法是：先让n个Agent并行处理同一个问题（每个Agent走不同的推理路径，比如A Agent先搜人物，B Agent先搜港口），每个Agent输出压缩后的“报告摘要”（只留关键信息，去掉冗余步骤）；再让一个“合成模型”把这些摘要整合，给出最终答案。

这个模式的效果很明显：在Humanity’s Last Exam上，Heavy Mode把分数从32.9提到了38.3，BrowseComp-ZH从46.7提到58.1——直接追平了OpenAI o3的中文成绩。更重要的是，因为每个Agent输出的是“压缩摘要”，即使n=5，也不会超出128K上下文限制，这比“拼接全轨迹”的方案高效多了。

四、落地前景与待解挑战：这篇论文对科研和产业的意义

聊完技术，更要想它的实际价值——对我们做AI科研的人来说，这篇论文的意义不止是“一个新模型”，更是一套“可复现的Deep Research Agent开发范式”。

1. 对科研的价值：降低中小团队的研究门槛

之前做Agent研究，要么靠闭源API（看不到中间过程，没法做机理分析），要么自己搭框架（数据、训练、环境全要自己写，光调试工具调用就花1个月）。而Tongyi DeepResearch开源了三个关键东西：

• 模型权重：在Hugging Face和ModelScope上能直接下载（https://huggingface.co/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B）；

• 训练框架：包含数据合成、RL训练的完整代码：https://github.com/Alibaba-NLP/DeepResearch

• 工具链：搜索、访问网页、解析文件的工具实现，甚至还有模拟环境的维基数据集。

这意味着中小团队不用从零开始，拿过来改改就能做自己的Agent研究——比如要做“AI辅助材料科研”，直接用他们的数据合成 pipeline 生成“某材料的制备工艺→性能测试→文献对比”的轨迹，训练周期从2个月缩短到2周。

2. 对产业的价值：适合私有部署的“AI研究员”

产业场景里，很多企业需要“能在内部网络用的科研型Agent”——比如药企要分析临床试验数据、车企要查专利文献，这些都不能用公有云的闭源模型。而Tongyi DeepResearch的优势在于：

• 可私有部署：代码和模型全开源，能部署到内部服务器；

• 效率高：3.3B激活参数量，不用顶配GPU也能跑；

• 可定制：数据合成 pipeline 能接入企业私有知识库（比如药企的内部文献库），生成针对性的训练数据。

3. 待解的挑战：不要神化，还有改进空间

客观说，这篇论文也不是完美的，还有几个待解决的问题：

• 长上下文局限：128K虽然比很多模型长，但面对“整本学术专著的分析”还是不够——比如要对比某本书里10个章节的观点，模型可能记不住前面章节的内容；

• 报告生成质量：目前模型输出的是“准确的结论”，但缺乏“研究员式的叙事逻辑”（比如为什么这个结论重要、有哪些局限性），这对需要写科研报告的场景来说还不够；

• 多模态支持：目前只能处理文本，没法分析图片、表格（比如科研论文里的实验数据图），而真实科研中多模态信息很重要。

五、总结：这篇论文为什么值得你关注？

如果你是AI研究员，这篇论文给了你一套“从数据到落地”的全链路方案，能帮你跳过我们之前踩过的“数据贵、训练乱、效率低”的坑；如果你是产业界的技术负责人，这篇论文提供了一个“可私有部署、高性价比”的科研型Agent选项，能降低企业的AI落地成本。

最核心的是，它证明了“开源Deep Research Agent也能做到接近闭源模型的效果”——以前大家觉得“Agent是闭源模型的天下”，但这篇论文打破了这个认知，让更多团队有机会参与到Agent的研究中。

最后，抛一个我们在复现中遇到的问题：你们在训练RL阶段时，有没有遇到过“reward突然掉为0”的情况？我们后来发现是模拟环境的知识库没及时更新，导致模型搜不到正确信息，进而拿不到奖励。如果你们也遇到过类似问题，欢迎在评论区交流解决思路。

参考资料

• 标题：Tongyi DeepResearch: An Open-Source Agentic Large Language Model for Long-Horizon Deep Information-Seeking Research Tasks

• 作者：Tongyi DeepResearch Team (Alibaba Group Tongyi Lab)

• 链接：https://arxiv.org/pdf/2510.24701