InfoSeek：智源研究院提出可扩展的深度研究数据合成框架

在大模型迈向“自主思考”的过程中，一个关键瓶颈逐渐显现： 现有基准任务太简单，无法真正测试模型的复杂推理能力。

Natural Questions、HotpotQA 等主流数据集虽然推动了多跳推理的发展，但其问题结构相对扁平，存在知识泄露、捷径推理等问题，难以衡量模型是否真正具备分解问题、协调子任务、综合跨源证据的能力。

为此，智源研究院提出 InfoSeek —— 一种全新的、可扩展的数据合成框架，专门用于构建结构复杂、层次清晰、内在可验证的深度研究任务。

• GitHub：https://github.com/VectorSpaceLab/InfoSeek
• 数据：https://huggingface.co/datasets/Lk123/InfoSeek

它不依赖人工标注，而是通过一个双代理系统，从公开网页中自动挖掘实体与关系，递归构建“研究树”，并将其转化为需要多步遍历才能解答的自然语言问题。

这不仅是数据集的升级，更是对“深度研究”能力定义的一次重构。

什么是深度研究任务？

深度研究（Deep Research）任务的核心特征是：

• 问题复杂：不能通过一次检索或简单推理解决
• 结构分层：需将主问题分解为多个逻辑相关的子问题
• 约束嵌套：答案需满足多个层级的条件组合
• 证据综合：信息来自不同来源，需交叉验证与整合

例如：

“找出一个未被纳入的城市，它位于阿肯色州牛顿县，该城市位于一条被指定为阿肯色州风景道的高速公路上，其中一些也是国家风景道。”

这个问题需要模型：

1. 定位“阿肯色州牛顿县”
2. 找到该县内的高速公路
3. 筛选出被列为“州级风景道”的路段
4. 进一步判断哪些同时也是“国家级风景道”
5. 最终识别出“未被纳入”的城市（即不在现有列表中）

每一步都依赖前一步的结果，形成严格的推理链。

InfoSeek 的核心设计

InfoSeek 的目标是：自动化生成这类高复杂度、无捷径、可验证的问题。其方法由三个关键环节构成。

1. 双代理系统：递归构建研究树

InfoSeek 使用两个协同工作的代理：

• Extractor Agent：从大规模网页中提取实体及其关系（如“X 位于 Y”、“Z 属于类别 W”）
• Builder Agent：基于提取的知识，递归构建研究树（Research Tree）

• 根节点：最终答案
• 内部节点：中间子问题
• 边：逻辑依赖关系（如“必须先找到 A，才能确定 B”）

这种树状结构天然支持多步推理，且每一层都构成一个有效的子任务。

2. 模糊化中间节点：防止知识泄露

传统合成方法常因中间信息过于明确而导致“捷径推理”——模型无需真正推理，仅凭关键词匹配即可作答。

InfoSeek 引入模糊化技术（Fuzzing）：

• 将中间节点的描述泛化或替换为等价表达
• 保留语义一致性，但隐藏具体实体名称
• 确保模型必须通过完整推理路径才能获得答案

✅ 例如：“某县内的高速公路”替代“牛顿县的AR-16号公路”

这有效阻断了短路径，迫使模型进行完整遍历。

3. 自然语言转换 + 轨迹生成

研究树构建完成后，InfoSeek 将其转换为自然语言问题，并生成对应的推理轨迹（reasoning trace）：

• 问题生成：使用模板与语言模型将树结构转为流畅问句
• 轨迹生成：通过拒绝采样（reject sampling），确保每条轨迹：
  • 完整覆盖所有推理步骤
  • 使用真实可访问的信息源
  • 可被独立验证

输出格式包含：问题、标准答案、参考链接、推理路径

核心特点总结

实验结果：小模型，大能力

使用 InfoSeek 构建的数据集训练出的模型，在 BrowseComp-Plus 基准上表现出色：

💡 关键发现：

• 3B 模型性能远超 32B 模型，说明训练数据的质量显著影响推理能力
• InfoSeeker 平均每次任务仅调用 8.24 次搜索，低于对比模型，表明其推理更高效

这验证了 InfoSeek 的核心假设：
更好的训练数据，比更大的模型更能提升复杂推理能力。

应用场景

为什么重要？

InfoSeek 的意义不仅在于生成了一个新数据集，更在于提出了一套可复制的深度研究建模范式：

1. 从“问答”到“研究”
   不再只是回答问题，而是模拟人类研究者的思维过程。
2. 从“结果监督”到“过程监督”
   提供完整的推理轨迹，支持对中间步骤的建模与评估。
3. 从“静态数据”到“动态合成”
   可持续扩展，适应新领域、新任务，降低人工标注成本。

它为下一代 AI 系统——那些能真正“做研究”的智能体——奠定了数据基础。