通义 DeepResearch：首个全开源 Web Agent，性能对标 OpenAI 深度研究模型

阿里通义实验室正式发布 Tongyi DeepResearch —— 一个在性能上可与当前最先进闭源系统相媲美的全开源 Web Agent。

• 项目主页：https://tongyi-agent.github.io/zh/blog/introducing-tongyi-deep-research
• GitHub：https://github.com/Alibaba-NLP/DeepResearch
• Hugging Face：https://huggingface.co/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B
• 魔塔：https://modelscope.cn/models/iic/Tongyi-DeepResearch-30B-A3B

它不仅在多个高难度信息检索与推理基准中取得领先成绩，更完整公开了从数据构建、预训练到强化学习的端到端训练方法论。这是业界首次将如此复杂且高性能的智能体系统全面开放，旨在推动 AI Agent 领域向更高水平演进。

关键性能指标（SOTA 级别）

在所有四项任务中均超越现有闭源与开源 Agent，达到当前最优水平。

为什么需要真正的“深度研究型”Agent？

今天的大多数大模型擅长回答静态知识问题，但在面对真实世界复杂任务时往往力不从心：

• 如何综合多网页内容判断某项政策的实际影响？
• 如何通过跨源数据验证一个学术假设？
• 如何在模糊线索下持续探索并得出可信结论？

这些问题要求模型具备长期规划、工具调用、动态记忆管理和抗噪声推理能力——而这正是 Web Agent 的核心使命。

Tongyi DeepResearch 正是为此类任务而生。它是一个拥有 300亿总参数、每 token 激活 30亿参数的稀疏激活模型，专为长期、多步、高复杂度的信息搜索任务设计。

核心能力概览

技术突破：不止于模型，更是方法论的革新

Tongyi DeepResearch 的成功并非来自单一模块优化，而是源于一套完整的、可复现的 Agent 构建体系。我们将其总结为三个关键阶段：

Agentic CPT → Agentic SFT → Agentic RL

这一端到端流程覆盖了从基座模型初始化到自我进化的全过程。

第一阶段：智能体增量预训练（Agentic CPT）

传统预训练关注通用语料理解，而我们在其中引入了 Agentic Continual Pre-training（CPT），专门用于培养模型的基础工具使用能力和环境交互直觉。

为此，我们开发了 AgentFounder —— 一套全自动、可扩展的数据合成流水线，基于以下来源生成高质量代理交互数据：

• 开放知识图谱与维基百科快照
• 后训练过程中积累的轨迹数据
• 工具调用返回结果（如网页摘要、搜索响应）
• 结构化表格与跨站关联信息

这些数据被组织成以实体为中心的“开放世界知识记忆”，并通过采样构造多样化的问题-答案对，模拟真实研究场景。

动作合成策略

我们构建了三类动作数据以丰富行为空间：

1. 单步推理动作：如“根据网页A推断X事件发生在Y之前”
2. 多步决策动作：还原完整任务链路，例如“先查定义 → 再找案例 → 最后对比差异”
3. 规划扩展动作：通过对原始轨迹进行反向工程与扩展，激发模型探索未知路径的能力

该过程完全离线运行，无需依赖昂贵的商业API或人工标注。

第二阶段：监督微调（SFT）冷启动

为了快速建立初步行为规范，我们采用高质量合成数据进行有监督微调。

我们的核心方法是 High-quality QA 合成引擎，其流程如下：

1. 问题生成
   基于知识子图或融合表格数据，随机游走生成初始问答对；
2. 难度控制
   引入“原子操作”理论框架，通过合并相似实体、模糊关键信息等方式系统提升问题复杂度；
3. 结构建模
   使用集合论形式化建模信息搜索问题，减少推理捷径，增强逻辑严密性；
4. 自动验证
   利用形式化规则高效校验答案正确性，解决合成数据难以评估的难题。

此外，我们还构建了 学术级复杂问题生成器：

• 从多学科知识库提取“种子”问题；
• 交由配备搜索、Python 执行和文献检索能力的 Agent 进行迭代升级；
• 每轮输出作为下一轮输入，形成“认知螺旋上升”循环。

这种方式能稳定生成博士级别研究任务，显著拉高模型能力天花板。

第三阶段：端到端强化学习（RL）

强化学习是让 Agent 实现自我进化的核心环节。我们采用严格 on-policy 的在线策略训练，并在算法与基础设施层面做了多项创新。

算法设计亮点

• 基于 GRPO 的定制化框架：确保策略更新与当前能力匹配；
• Token-level 策略梯度损失：精细化优化每一步决策质量；
• Leave-one-out 优势估计：有效降低方差，提高学习稳定性；
• 选择性负样本过滤：排除因超长未完成而导致的无效样本，防止格式崩溃。

训练动态显示，奖励持续上升，策略熵保持高位，表明模型始终处于积极探索状态，未出现早收敛。

基础设施保障

我们认为：数据质量和环境稳定性比算法本身更重要。

因此我们构建了四大支撑系统：

这套基础设施使得 RL 训练不再是“黑箱实验”，而成为可预测、可调试、可持续迭代的工程流程。

推理范式：两种模式，双重价值

Tongyi DeepResearch 支持两种部署模式，分别服务于不同目标。

1. ReAct 模式：衡量模型“本色”

• 严格遵循“思考 → 行动 → 观察”循环；
• 上下文长度达 128K，支持百轮以上交互；
• 不依赖任何提示工程，直接展现模型原生能力；
• 是评估 Agent 核心能力的黄金标准。

我们坚持 ReAct 设计，深受“The Bitter Lesson”启发：可扩展的通用方法终将胜过依赖人工雕琢的复杂设计。

2. 深度模式（IterResearch）：释放最大潜力

针对极端复杂的长期任务，我们提出全新推理范式 —— IterResearch。

解决什么问题？

传统 Agent 将所有信息堆在一个不断增长的上下文中，导致：

• “认知过载”：重要信息被淹没；
• “噪音污染”：无关历史干扰当前判断。

如何工作？

IterResearch 将任务拆解为多个“研究轮次”：

1. 每轮仅保留上一轮最关键的发现；
2. 重建一个精简的工作空间；
3. 在此空间内重新分析问题、整合证据、决定下一步行动；
4. 输出一份逐步演进的“核心报告”。

这种“综合→重构”的机制，使 Agent 能在整个过程中保持清晰的认知焦点。

升级版：“研究-合成”框架

进一步地，我们支持多个 Agent 并行使用 IterResearch 探索同一问题的不同路径，最后汇总各自报告，生成更全面的答案。

这相当于为 AI 提供了“团队协作”能力，在有限上下文窗口内实现更广的探索覆盖。