大家好，我是肆〇柒。本文要和大家分享的是來自阿里通義實(shí)驗(yàn)室（Tongyi Lab, Alibaba Group）的一項(xiàng)重磅研究成果——WebSailor-V2。這項(xiàng)工作不僅刷新了開源Web智能體的性能上限，更關(guān)鍵的是，它揭示了一個(gè)被長期忽視的真相：決定Agent能力邊界的，或許不是模型參數(shù)，而是數(shù)據(jù)質(zhì)量與訓(xùn)練生態(tài)系統(tǒng)的構(gòu)建方式。

本文是通義 Deepresearch 發(fā)布的系列研究之一。

在人工智能領(lǐng)域，自主AI智能體（Agent）被視為實(shí)現(xiàn)通用人工智能（AGI）的關(guān)鍵里程碑，而"深度研究"（Deep Research）能力正成為衡量智能體水平的核心標(biāo)準(zhǔn)。然而，盡管開源社區(qū)在Web智能體領(lǐng)域取得了顯著進(jìn)展，與OpenAI DeepResearch等閉源系統(tǒng)之間仍存在難以逾越的性能鴻溝，這嚴(yán)重阻礙了強(qiáng)大研究能力的民主化進(jìn)程。

WebSailor-V2的開源，為這一困境提供了突破性解決方案。作為阿里通義實(shí)驗(yàn)室推出的開源Web智能體，它并非依賴更龐大的模型規(guī)?；蚋鼜?fù)雜的算法，而是通過精心設(shè)計(jì)的"雙引擎"策略——高質(zhì)量數(shù)據(jù)構(gòu)建與穩(wěn)定訓(xùn)練環(huán)境設(shè)計(jì)，成功實(shí)現(xiàn)了對(duì)閉源系統(tǒng)的性能超越。其30B參數(shù)的Qwen3-30B-A3B模型在關(guān)鍵基準(zhǔn)測試中不僅大幅領(lǐng)先所有開源智能體，甚至超越了671B參數(shù)的DeepSeek-V3.1系統(tǒng)：在BrowseComp-EN上取得35.3分，BrowseComp-ZH上44.1分，HLE上30.6分，顯著優(yōu)于DeepSeek-V3.1（BrowseComp-EN 30.0分，HLE 29.8分）。這一"以小博大"的突破性結(jié)果，為開源社區(qū)提供了強(qiáng)有力的性能標(biāo)桿。

BrowseComp-EN與xBench-DeepSearch基準(zhǔn)測試性能對(duì)比

本文將與大家一起探索WebSailor-V2如何通過系統(tǒng)工程思維，構(gòu)建高性能Agent訓(xùn)練生態(tài)系統(tǒng)。其核心在于：高質(zhì)量數(shù)據(jù)和穩(wěn)定訓(xùn)練環(huán)境比特定算法更為關(guān)鍵。這一理念貫穿于WebSailor-V2的整個(gè)開發(fā)過程，從數(shù)據(jù)構(gòu)建到訓(xùn)練流程，最終實(shí)現(xiàn)了開源智能體對(duì)閉源系統(tǒng)的性能超越。

SailorFog-QA-V2——構(gòu)建高質(zhì)量Agent訓(xùn)練數(shù)據(jù)的科學(xué)

高質(zhì)量數(shù)據(jù)是構(gòu)建強(qiáng)大Web智能體的基石。WebSailor-V2的創(chuàng)新首先體現(xiàn)在其數(shù)據(jù)構(gòu)建方法上，通過SailorFog-QA-V2數(shù)據(jù)集，解決了現(xiàn)有方法在數(shù)據(jù)多樣性與不確定性表達(dá)上的根本局限。

從樹狀到網(wǎng)狀：知識(shí)圖譜的拓?fù)?/h4>

現(xiàn)有Web智能體數(shù)據(jù)構(gòu)建方法通常采用"由易到難"的迭代擴(kuò)展策略，從簡單"種子"問題開始，通過外部工具逐步擴(kuò)展圖譜。然而，這種方法存在嚴(yán)重缺陷：生成的圖譜主要是樹狀或非循環(huán)結(jié)構(gòu)，難以捕捉現(xiàn)實(shí)世界中普遍存在的復(fù)雜循環(huán)關(guān)系、反饋回路和錯(cuò)綜復(fù)雜的相互依賴。

WebSailor-V2對(duì)此進(jìn)行了革命性改進(jìn)。在V2版本中，研究團(tuán)隊(duì)不再滿足于簡單的圖譜擴(kuò)展，而是主動(dòng)尋求節(jié)點(diǎn)間的密集連接，有意創(chuàng)建循環(huán)結(jié)構(gòu)。這種方法確保生成的圖譜不僅是樹狀擴(kuò)展，而是一個(gè)豐富互連的網(wǎng)絡(luò)，更準(zhǔn)確反映現(xiàn)實(shí)知識(shí)的復(fù)雜非線性本質(zhì)。此外，V2還保留了更完整的程序信息鏈，包括具體搜索查詢和源URL的完整記錄。這種設(shè)計(jì)使得每個(gè)實(shí)體都帶有豐富的上下文特征，如搜索路徑的深度、信息來源的可靠性評(píng)分、以及與其他實(shí)體的關(guān)聯(lián)強(qiáng)度等統(tǒng)計(jì)特征。這些特征為后續(xù)QA生成提供了更精細(xì)的控制維度，使模型能夠?qū)W習(xí)到信息檢索過程中的微妙模式，而不僅僅是表面的問答對(duì)應(yīng)關(guān)系。

超越Obfuscation：擴(kuò)展不確定性

在不確定性表達(dá)方面，現(xiàn)有方法往往局限于單一類型，如obfuscation（實(shí)體替換），即用更通用或模糊的描述替換查詢中的關(guān)鍵元素（如特定實(shí)體、日期或數(shù)值）。雖然這種方法能訓(xùn)練模型進(jìn)行基本的上下文推斷，但它僅覆蓋了智能體所需能力的一小部分。

WebSailor-V2明確指出：“研究引入了更多種類的已定義不確定性，目的是激發(fā)模型更豐富和全面的高級(jí)推理能力?！北M管論文沒有詳細(xì)列出所有不確定性類型，但它強(qiáng)調(diào)需要超越簡單的實(shí)體替換，以激發(fā)更廣泛的高級(jí)推理行為，包括上下文推斷、迭代信息收集、假設(shè)生成與驗(yàn)證，以及多源證據(jù)綜合等復(fù)雜能力。稠密互連的圖譜結(jié)構(gòu)天然蘊(yùn)含更復(fù)雜的邏輯關(guān)系和潛在矛盾信息，為生成包含深層次不確定性的問答對(duì)提供了理想基礎(chǔ)。

不確定性光譜的深度解析：雖然obfuscation（實(shí)體替換）已成為引入不確定性、激發(fā)高級(jí)推理模式的常見方法，但論文明確指出：“這一系列技能雖然至關(guān)重要，但只是真正具備超人能力的網(wǎng)絡(luò)代理所需能力的一個(gè)子集。”WebSailor-V2引入了更廣泛的不確定性定義，期望激發(fā)模型展示更多樣化和全面的高級(jí)推理能力。這些擴(kuò)展的不確定性類型訓(xùn)練使Agent能夠評(píng)估不同線索的區(qū)分能力，例如在FormFactor案例中識(shí)別"領(lǐng)導(dǎo)層變更"為最具識(shí)別度的信息點(diǎn)，從而構(gòu)建高度精確的搜索查詢。

結(jié)構(gòu)化子圖采樣：確保邏輯多樣性

隨著圖譜密度的增加，傳統(tǒng)的子圖采樣方法面臨組合爆炸的挑戰(zhàn)。在V1版本中，研究團(tuán)隊(duì)采用隨機(jī)采樣并嘗試枚舉固定邊數(shù)的所有可能子結(jié)構(gòu)；但在V2中，圖譜變得更加稠密，這種窮舉方法變得計(jì)算上不可行。

拓?fù)涓采w的挑戰(zhàn)：隨著圖譜密度的提升，子圖采樣的計(jì)算復(fù)雜度急劇上升，傳統(tǒng)方法難以高效覆蓋完整的結(jié)構(gòu)復(fù)雜性譜系。

隨機(jī)游走的解決方案：為此，WebSailor-V2采用了基于隨機(jī)游走的子圖提取方法，高效收集足夠數(shù)量的非同構(gòu)（通過Weisfeiler-Leman算法驗(yàn)證）、連通子圖，確保它們共同代表完整的結(jié)構(gòu)復(fù)雜性譜系。Weisfeiler-Leman算法在此用于驗(yàn)證子圖的非同構(gòu)性，確保采樣的子圖代表完整的結(jié)構(gòu)復(fù)雜性譜系。這一技術(shù)選擇源于其在圖同構(gòu)問題上的高效性，能有效避免重復(fù)采樣相同拓?fù)浣Y(jié)構(gòu)的子圖，從而最大化訓(xùn)練數(shù)據(jù)的邏輯多樣性。

非同構(gòu)子圖的簡明闡釋：非同構(gòu)子圖是指具有不同拓?fù)浣Y(jié)構(gòu)的子圖，Weisfeiler-Leman算法能高效識(shí)別這些結(jié)構(gòu)差異。確保收集的子圖非同構(gòu)，意味著它們代表了完整的結(jié)構(gòu)復(fù)雜性譜系，避免了訓(xùn)練數(shù)據(jù)中特定結(jié)構(gòu)的過度代表，從而保證了數(shù)據(jù)的邏輯多樣性。

節(jié)點(diǎn)角色均衡策略：更重要的是，系統(tǒng)會(huì)分析拓?fù)渲蟹峭瑯?gòu)節(jié)點(diǎn)數(shù)量，使QA焦點(diǎn)均勻分布在所有軌道節(jié)點(diǎn)（即占據(jù)不同結(jié)構(gòu)角色的節(jié)點(diǎn)）上，避免特定結(jié)構(gòu)的過度代表，從而確保訓(xùn)練數(shù)據(jù)的邏輯多樣性。這種結(jié)構(gòu)化子圖采樣方法不僅解決了計(jì)算復(fù)雜性問題，還確保了數(shù)據(jù)的結(jié)構(gòu)覆蓋范圍，為模型學(xué)習(xí)各種推理模式提供了堅(jiān)實(shí)基礎(chǔ)。

雙環(huán)境RL框架——構(gòu)建穩(wěn)定可擴(kuò)展的Agent訓(xùn)練生態(tài)系統(tǒng)

強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）是提升Web智能體性能的關(guān)鍵環(huán)節(jié)，但其大規(guī)模應(yīng)用面臨嚴(yán)峻挑戰(zhàn)：高成本、高并發(fā)請求帶來的工程復(fù)雜性，以及API延遲、失敗和不一致輸出等問題，都會(huì)污染訓(xùn)練數(shù)據(jù)，損害策略學(xué)習(xí)效果。WebSailor-V2通過創(chuàng)新的雙環(huán)境RL框架，有效解決了這一難題。

雙環(huán)境RL訓(xùn)練框架示意圖

仿真環(huán)境：算法快速迭代的"安全沙盒"

依賴真實(shí)Web API（如SerpAPI或Jina）進(jìn)行RL訓(xùn)練會(huì)帶來高成本、有限QPS和不一致輸出等實(shí)際挑戰(zhàn)。在開發(fā)初期，使用有限資源在真實(shí)環(huán)境中進(jìn)行算法研究和數(shù)據(jù)整理會(huì)嚴(yán)重拖慢開發(fā)周期，導(dǎo)致消融研究的結(jié)論不夠扎實(shí)。

WebSailor-V2構(gòu)建了基于大規(guī)模離線Wikipedia知識(shí)庫的專用仿真環(huán)境，配合定制的Web工具套件。該環(huán)境經(jīng)過精心設(shè)計(jì)，確保Agent的交互動(dòng)態(tài)、狀態(tài)轉(zhuǎn)換和獎(jiǎng)勵(lì)機(jī)制與真實(shí)環(huán)境高度一致，使在仿真環(huán)境中訓(xùn)練的策略能有效遷移到真實(shí)世界。通過將SailorFog-QA-V2生成流程適配到這一離線語料庫，研究團(tuán)隊(duì)創(chuàng)建了專門用于仿真的訓(xùn)練和測試數(shù)據(jù)集。這一設(shè)計(jì)使研究團(tuán)隊(duì)能夠在高頻、低成本、完全可控的平臺(tái)上進(jìn)行算法實(shí)驗(yàn)，顯著加速開發(fā)迭代過程。仿真環(huán)境成為算法快速迭代的"安全沙盒"，允許研究者在不產(chǎn)生高昂成本的情況下，反復(fù)驗(yàn)證和優(yōu)化RL策略。

雙環(huán)境框架的閉環(huán)價(jià)值：如上圖所示，雙環(huán)境RL框架的核心是一個(gè)閉環(huán)系統(tǒng)：(1)在仿真環(huán)境中進(jìn)行高頻算法實(shí)驗(yàn)，(2)在真實(shí)環(huán)境中進(jìn)行最終策略訓(xùn)練，(3)自動(dòng)化數(shù)據(jù)合成與過濾管道根據(jù)訓(xùn)練動(dòng)態(tài)動(dòng)態(tài)調(diào)整訓(xùn)練集。這種設(shè)計(jì)確保了從數(shù)據(jù)生成到策略優(yōu)化的完整閉環(huán)，使系統(tǒng)能夠不斷精煉其能力，更有效地促進(jìn)深度研究智能體的構(gòu)建。

真實(shí)環(huán)境：工程化的穩(wěn)定性保障

雖然仿真環(huán)境對(duì)快速原型設(shè)計(jì)至關(guān)重要，但最終目標(biāo)仍是在真實(shí)世界環(huán)境中訓(xùn)練智能體。這一過渡帶來了復(fù)雜的工程挑戰(zhàn)：WebSailor-V2的工具套件包含四個(gè)核心工具：

• search：調(diào)用Google搜索引擎，支持多查詢同時(shí)搜索并返回每個(gè)查詢的前10個(gè)結(jié)果，包含標(biāo)題、摘要和URL
• visit：訪問特定網(wǎng)頁，返回基于目標(biāo)的摘要（使用Qwen3-30B-A3B作為摘要模型）
• Google Scholar：學(xué)術(shù)領(lǐng)域?qū)Ｓ盟阉鞴ぞ?，用于檢索學(xué)術(shù)文獻(xiàn)
• Python interpreter：沙盒環(huán)境執(zhí)行Python代碼，支持復(fù)雜計(jì)算任務(wù)

這些組件的可靠性至關(guān)重要，因?yàn)橥獠緼PI的波動(dòng)性（延遲、失敗、不一致返回）會(huì)污染軌跡。

為解決這些問題，WebSailor-V2設(shè)計(jì)了統(tǒng)一的工具執(zhí)行接口，其核心是一個(gè)調(diào)度和管理層，負(fù)責(zé)協(xié)調(diào)工具執(zhí)行。針對(duì)每種工具，研究團(tuán)隊(duì)設(shè)計(jì)了穩(wěn)健的并發(fā)處理和容錯(cuò)策略：

• QPS限制：防止API過載
• 結(jié)果緩存：減少重復(fù)請求
• 自動(dòng)超時(shí)和重試協(xié)議：處理臨時(shí)故障
• 非關(guān)鍵故障的服務(wù)降級(jí)：確保核心功能不受影響
• 備份數(shù)據(jù)源的無縫切換：提高系統(tǒng)韌性

系統(tǒng)設(shè)計(jì)了一個(gè)統(tǒng)一的工具執(zhí)行接口，其核心是調(diào)度和管理層，采用分層架構(gòu)確?？煽啃浴Ｔ谧畹讓?，針對(duì)SerpAPI、Jina等不同工具，實(shí)現(xiàn)了特定的適配器，處理API特定的錯(cuò)誤碼和響應(yīng)格式；中間層實(shí)現(xiàn)了QPS限制和結(jié)果緩存機(jī)制，通過LRU（Least Recently Used）算法管理有限的緩存空間；最上層則提供統(tǒng)一的抽象接口，將工具調(diào)用結(jié)果標(biāo)準(zhǔn)化為統(tǒng)一格式。這種設(shè)計(jì)不僅處理了API延遲和失敗問題，還通過服務(wù)降級(jí)策略確保非關(guān)鍵工具故障不會(huì)導(dǎo)致整個(gè)訓(xùn)練流程中斷。

這種多層設(shè)計(jì)確保從Agent視角看，工具調(diào)用過程被抽象為確定性和穩(wěn)定接口，將訓(xùn)練循環(huán)與現(xiàn)實(shí)世界隨機(jī)性隔離開來，顯著降低了操作成本，同時(shí)保證了訓(xùn)練數(shù)據(jù)的質(zhì)量。

數(shù)據(jù)-策略共生反饋循環(huán)：動(dòng)態(tài)數(shù)據(jù)優(yōu)化

WebSailor-V2的核心收獲是："數(shù)據(jù)是模型能力提升的核心驅(qū)動(dòng)力，其重要性甚至超過算法"。高質(zhì)量數(shù)據(jù)直接決定了模型通過自我探索泛化到分布外場景的上限。

為此，研究團(tuán)隊(duì)優(yōu)化了實(shí)時(shí)數(shù)據(jù)，由訓(xùn)練動(dòng)態(tài)引導(dǎo)。這種優(yōu)化通過全自動(dòng)的數(shù)據(jù)合成和過濾管道實(shí)現(xiàn)，該管道根據(jù)訓(xùn)練動(dòng)態(tài)動(dòng)態(tài)調(diào)整訓(xùn)練集。通過在數(shù)據(jù)生成和模型訓(xùn)練之間閉合循環(huán)，這種方法不僅確保了訓(xùn)練穩(wěn)定性，還帶來了顯著的性能提升。

這種數(shù)據(jù)-策略共生反饋機(jī)制使系統(tǒng)能夠根據(jù)訓(xùn)練動(dòng)態(tài)合成和過濾高質(zhì)量數(shù)據(jù)，使模型能夠不斷精煉其策略，從相關(guān)信息流中學(xué)習(xí)。數(shù)據(jù)和策略的這種共同進(jìn)化，更有效地促進(jìn)了深度研究智能體的構(gòu)建。

訓(xùn)練流程的系統(tǒng)工程——從SFT冷啟動(dòng)到RL精煉

WebSailor-V2的訓(xùn)練流程體現(xiàn)了系統(tǒng)工程思維，每個(gè)環(huán)節(jié)都經(jīng)過精心設(shè)計(jì)，確保最終性能的最大化。

SFT冷啟動(dòng)：RL成功的基石

監(jiān)督微調(diào)（Supervised Fine-Tuning, SFT）階段在WebSailor-V2中扮演著不可或缺的角色，尤其是對(duì)于相對(duì)小規(guī)模的模型。數(shù)據(jù)顯示，僅經(jīng)過SFT的WebSailor-V2-30B-A3B在BrowseComp-EN上已取得24.4分，在HLE上取得23.9分，甚至超越了許多完全訓(xùn)練的開源智能體。這一強(qiáng)勁的初始性能驗(yàn)證了SFT階段對(duì)構(gòu)建高質(zhì)量Agent的基礎(chǔ)性作用。

雙引擎支持下的SFT優(yōu)勢：SFT階段的高質(zhì)量數(shù)據(jù)構(gòu)建（數(shù)據(jù)引擎）為后續(xù)RL提供了穩(wěn)健的初始策略，而仿真環(huán)境的快速迭代能力（環(huán)境引擎）則使我們能夠高效驗(yàn)證不同SFT策略的效果。這一協(xié)同作用確保了SFT階段能為RL提供強(qiáng)大的初始策略基礎(chǔ)。

這一現(xiàn)象的背后有深刻的理論原因：復(fù)雜開放任務(wù)中的獎(jiǎng)勵(lì)通常非常稀疏。沒有SFT提供的強(qiáng)大初始策略，智能體將難以進(jìn)行有意義的探索，很少能成功完成任務(wù)，從而無法獲得學(xué)習(xí)所需的正反饋。SFT階段確保智能體從足夠穩(wěn)健的策略開始，能夠有效探索問題空間，為RL算法提供足夠密集的獎(jiǎng)勵(lì)信號(hào)，使其穩(wěn)定收斂到更優(yōu)的最終策略。

RL訓(xùn)練算法：穩(wěn)定優(yōu)先的設(shè)計(jì)哲學(xué)

在RL算法選擇上，WebSailor-V2采用了GRPO（Generalized Reward Policy Optimization）的定制化變體，但研究團(tuán)隊(duì)明確指出算法本身并非成功的關(guān)鍵因素。他們的核心洞見是："我們已嘗試許多不同算法和 tricks，發(fā)現(xiàn)數(shù)據(jù)和訓(xùn)練環(huán)境的穩(wěn)定性可能是決定RL是否有效的更關(guān)鍵因素"。

WebSailor-V2采用GRPO的定制化變體，其目標(biāo)函數(shù)為：

為了確保訓(xùn)練穩(wěn)定性，WebSailor-V2采取了多項(xiàng)措施：

• 嚴(yán)格的在線策略訓(xùn)練：使用最新策略持續(xù)采樣軌跡，確保學(xué)習(xí)信號(hào)始終與模型當(dāng)前能力相關(guān)
• 采用留一法（leave-one-out strategy）減少優(yōu)勢估計(jì)方差
• 對(duì)負(fù)樣本采取保守策略，選擇性排除某些負(fù)樣本（如因長度限制未產(chǎn)生最終答案的樣本）
• 利用更大的批次和組大小維持較小方差，提供充分的監(jiān)督

這種"穩(wěn)定優(yōu)先"的設(shè)計(jì)哲學(xué)使RL訓(xùn)練過程更加健壯，避免了常見的"格式崩潰"（format collapse）等訓(xùn)練不穩(wěn)定現(xiàn)象。

RL訓(xùn)練動(dòng)態(tài)曲線

數(shù)據(jù)分布的重要性：合成數(shù)據(jù) vs 人類標(biāo)注數(shù)據(jù)

WebSailor-V2進(jìn)行了一項(xiàng)關(guān)鍵實(shí)驗(yàn)：直接在BrowseComp測試集上訓(xùn)練模型，結(jié)果顯著差于使用合成數(shù)據(jù)。這一發(fā)現(xiàn)揭示了數(shù)據(jù)分布質(zhì)量的重要性。

原因在于：合成數(shù)據(jù)通過SailorFog-QA-V2的結(jié)構(gòu)化生成流程，確保了數(shù)據(jù)分布的一致性和可學(xué)習(xí)性。相比之下，BrowseComp等人類標(biāo)注數(shù)據(jù)集雖然質(zhì)量高，但規(guī)模有限且存在標(biāo)注者偏差，導(dǎo)致分布不夠平滑。WebSailor-V2實(shí)驗(yàn)表明，在BrowseComp測試集上直接訓(xùn)練的模型性能顯著低于使用合成數(shù)據(jù)訓(xùn)練的模型，這證實(shí)了高質(zhì)量、一致分布的合成數(shù)據(jù)對(duì)模型學(xué)習(xí)更為有效。

高質(zhì)量、一致分布的合成數(shù)據(jù)比小規(guī)模人類標(biāo)注數(shù)據(jù)更能有效驅(qū)動(dòng)模型學(xué)習(xí)。這一洞見對(duì)智能體訓(xùn)練具有深遠(yuǎn)意義：與其追求更多的人類標(biāo)注數(shù)據(jù)，不如投入資源構(gòu)建高質(zhì)量、結(jié)構(gòu)化的合成數(shù)據(jù)集，確保數(shù)據(jù)分布的一致性和可學(xué)習(xí)性。

性能突破的深層解讀——為什么30B模型能超越671B系統(tǒng)？

WebSailor-V2-30B-A3B在關(guān)鍵基準(zhǔn)測試中取得了令人矚目的成績：在BrowseComp-EN上35.3分，BrowseComp-ZH上44.1分，HLE上30.6分。這些結(jié)果不僅顯著超越所有現(xiàn)有開源智能體，還優(yōu)于DeepSeek-V3.1（671B參數(shù)，BrowseComp-EN 30.0分，HLE 29.8分）。這一"以小博大"的現(xiàn)象背后，蘊(yùn)含著對(duì)智能體能力本質(zhì)的深刻理解。

"以小博大"的真正原因

論文明確指出：“這一結(jié)果有力地驗(yàn)證了研究團(tuán)隊(duì)的核心假設(shè)：為模型配備極為強(qiáng)大的信息檢索與整合能力，可以顯著提升其邏輯推理能力，使其能夠有效地對(duì)從外部獲取的知識(shí)進(jìn)行推理，并克服其自身規(guī)模的局限性?！?/span>

性能超越的真正原因并非模型規(guī)模，而是"異常強(qiáng)大的信息檢索和綜合能力"。WebSailor-V2通過精心設(shè)計(jì)的數(shù)據(jù)和訓(xùn)練框架，使模型能夠有效地"基于"外部獲取的知識(shí)進(jìn)行推理，從而突破自身規(guī)模限制。

訓(xùn)練動(dòng)態(tài)的深層分析

困難任務(wù)與簡單任務(wù)的差異：對(duì)訓(xùn)練動(dòng)態(tài)的分析揭示了WebSailor-V2成功的關(guān)鍵機(jī)制。在BrowseComp等困難基準(zhǔn)上，pass@1和pass@3分?jǐn)?shù)同時(shí)顯著提升，表明RL真正擴(kuò)展了模型的基礎(chǔ)問題解決能力，增加了在幾次嘗試內(nèi)找到正確解決方案路徑的總體可能性。

RL帶來的準(zhǔn)確率提升

相比之下，在xbench-DeepSearch和GAIA等較簡單基準(zhǔn)上，主要是pass@1提升，而pass@3提升有限。這表明對(duì)于模型基礎(chǔ)能力已能覆蓋的任務(wù)，RL的主要作用是提高采樣效率——教會(huì)智能體在第一次嘗試時(shí)更可靠地選擇最優(yōu)路徑。對(duì)于真正困難的問題，即使pass@3也可能不足以完全反映模型增強(qiáng)能力的上限。

熵動(dòng)態(tài)的啟示：策略熵的動(dòng)態(tài)分析提供了另一個(gè)關(guān)鍵視角。如下圖所示，策略熵在整個(gè)訓(xùn)練過程中保持在0.7-1.1的高水平區(qū)間，表明智能體維持了強(qiáng)大的探索能力，避免過早收斂到確定性策略。這一現(xiàn)象與封閉世界問題（如數(shù)學(xué)RL訓(xùn)練）中熵通常顯著下降的趨勢形成鮮明對(duì)比。

訓(xùn)練熵動(dòng)態(tài)曲線

研究團(tuán)隊(duì)認(rèn)為，這種持續(xù)的高熵是環(huán)境非平穩(wěn)性的直接結(jié)果——網(wǎng)絡(luò)工具返回的觀察結(jié)果（搜索結(jié)果、網(wǎng)頁內(nèi)容）不遵循固定分布。這種現(xiàn)實(shí)網(wǎng)絡(luò)環(huán)境的內(nèi)在隨機(jī)性和復(fù)雜性防止策略完全收斂到穩(wěn)定、低熵狀態(tài)，反而促進(jìn)了更穩(wěn)健、適應(yīng)性更強(qiáng)的策略形成。

上下文長度的突破性影響：一個(gè)常被忽視但關(guān)鍵的技術(shù)改進(jìn)是上下文長度的大幅擴(kuò)展——從WebSailor-V1的32k增加到WebSailor-V2的128k，同時(shí)將最大ReAct迭代次數(shù)提升至100。Figure 5清晰展示了上下文長度與準(zhǔn)確率的正相關(guān)關(guān)系：隨著上下文長度從16k增加到128k，WebSailor-V2-30B-A3B的準(zhǔn)確率從約5%穩(wěn)步提升至33%，而工具調(diào)用預(yù)算從10次增加到100次時(shí)，準(zhǔn)確率從約5%提升至33%。

上下文和工具調(diào)用預(yù)算對(duì)智能體性能的影響

值得注意的是，在32k上下文限制下，WebSailor-V2仍能達(dá)到約16分，這已顯著優(yōu)于基于72B密集模型的WebSailor-V1。這一對(duì)比有力證明了數(shù)據(jù)和訓(xùn)練流程改進(jìn)對(duì)模型基礎(chǔ)推理能力的深遠(yuǎn)影響，使較小模型能夠超越更大模型。

DeepResearch Bench的深入解讀

在DeepResearch Bench上的表現(xiàn)進(jìn)一步驗(yàn)證了WebSailor-V2的能力。該智能體獲得了48.9分，僅次于Gemini-2.5-pro-DeepResearch（49.7分）。論文分析這一微小差距主要源于訓(xùn)練重點(diǎn)不同——WebSailor-V2專注于最大化核心信息檢索和綜合能力，較少強(qiáng)調(diào)最終報(bào)告生成的風(fēng)格質(zhì)量優(yōu)化。

DeepResearch Bench上與專有代理的對(duì)比結(jié)果

這一發(fā)現(xiàn)具有重要啟示：WebSailor-V2的核心研究能力已接近頂尖閉源系統(tǒng)，差距僅存在于最終呈現(xiàn)層，而非基礎(chǔ)研究能力。這表明通過精心設(shè)計(jì)的訓(xùn)練流程，開源模型可以達(dá)到與閉源系統(tǒng)相媲美的研究能力，為開源社區(qū)提供了明確的發(fā)展方向。

案例深潛：FormFactor的29步推理——雙引擎如何協(xié)同工作

通過分析BrowseComp基準(zhǔn)中的一個(gè)典型案例，可以清晰看到WebSailor-V2的"雙引擎"如何協(xié)同工作，解決復(fù)雜的多步驟研究任務(wù)。

案例背景與挑戰(zhàn)

該案例要求智能體識(shí)別一家符合多項(xiàng)具體條件的上市公司：

• 在2004-2006年間，某年有三位客戶貢獻(xiàn)了27%-74%的收入，另一年有四位客戶貢獻(xiàn)了55%-89%的收入
• 2011-2019年間，有前員工提起集體訴訟，和解金額在120-190萬美元之間
• 2008年有來源顯示，公司創(chuàng)始人角色變更，新CEO上任，變更于2007-2008財(cái)年第三季度初生效
• 公司在特拉華州注冊，成立于1988-1995年間

這一任務(wù)要求智能體處理模糊線索、驗(yàn)證矛盾信息、整合分散證據(jù)，是典型的"深度研究"挑戰(zhàn)。

雙引擎在案例中的體現(xiàn)

在解決這一問題的過程中，WebSailor-V2展示了從SailorFog-QA-V2訓(xùn)練中獲得的結(jié)構(gòu)化推理能力：

FormFactor案例的初始問題與推理起點(diǎn)

在上面截圖案例中，Agent展示了從第7步到第9步的關(guān)鍵轉(zhuǎn)折：當(dāng)初始寬泛搜索返回?zé)o關(guān)結(jié)果后，Agent沒有簡單放棄，而是通過分析線索的獨(dú)特性，識(shí)別出"領(lǐng)導(dǎo)層變更"是最具識(shí)別度的信息點(diǎn)。這一洞察源于SailorFog-QA-V2訓(xùn)練中對(duì)"不確定性光譜"的廣泛覆蓋，使Agent能夠評(píng)估不同線索的區(qū)分能力。隨后，Agent構(gòu)建了高度精確的搜索查詢："founder" "will become" "Chairman" "effective" "third quarter" "2008"，這一查詢精準(zhǔn)命中FormFactor的新聞稿，體現(xiàn)了從訓(xùn)練數(shù)據(jù)中習(xí)得的"線索優(yōu)先級(jí)評(píng)估"能力。

同時(shí)，智能體也展示了從雙環(huán)境RL訓(xùn)練中獲得的穩(wěn)健決策能力：

FormFactor案例的中間驗(yàn)證過程

在上圖中，識(shí)別出潛在候選公司FormFactor后，智能體沒有過早得出結(jié)論，而是系統(tǒng)驗(yàn)證每個(gè)其他線索，進(jìn)行一系列有針對(duì)性的搜索和文檔分析。這一嚴(yán)謹(jǐn)?shù)尿?yàn)證過程直接源于雙環(huán)境RL訓(xùn)練中對(duì)工具調(diào)用穩(wěn)定性的要求——在真實(shí)環(huán)境中，不準(zhǔn)確的工具返回會(huì)污染訓(xùn)練數(shù)據(jù)，因此智能體學(xué)會(huì)了對(duì)每個(gè)信息點(diǎn)進(jìn)行交叉驗(yàn)證，確保結(jié)論的可靠性。

從案例看Agent的認(rèn)知過程

通過分析完整案例軌跡，可以清晰看到WebSailor-V2的29步推理過程如何體現(xiàn)"雙引擎"協(xié)同工作：

1. 問題分解階段（步驟1-6）：將復(fù)雜問題拆解為可驗(yàn)證的子問題，體現(xiàn)SailorFog-QA-V2訓(xùn)練中獲得的結(jié)構(gòu)化思維能力

2. 關(guān)鍵線索識(shí)別階段（步驟7-9）：從失敗中學(xué)習(xí)，識(shí)別最具區(qū)分度的"黃金線索"，展示不確定性處理能力

3. 目標(biāo)獲取階段（步驟10-12）：精準(zhǔn)定位目標(biāo)公司FormFactor，驗(yàn)證基礎(chǔ)信息

4. 系統(tǒng)驗(yàn)證階段（步驟13-26）：多維度交叉驗(yàn)證每個(gè)線索，體現(xiàn)嚴(yán)謹(jǐn)?shù)难芯糠椒?/span>

5. 綜合與呈現(xiàn)階段（步驟27-29）：整合所有證據(jù)，構(gòu)建邏輯清晰的最終答案

FormFactor案例的最終答案結(jié)構(gòu)

上圖展示了WebSailor-V2的最終答案結(jié)構(gòu)，其邏輯清晰、證據(jù)充分，每個(gè)關(guān)鍵結(jié)論都有明確的來源支持。這種嚴(yán)謹(jǐn)?shù)淖C據(jù)鏈構(gòu)建方式，正是從SailorFog-QA-V2訓(xùn)練中獲得的結(jié)構(gòu)化推理能力的直接體現(xiàn)。

這一案例完美展示了高級(jí)AI研究助理的核心能力。該過程突顯了智能體進(jìn)行戰(zhàn)略適應(yīng)和從初始失敗中學(xué)習(xí)的能力——這是真正的推理過程而非簡單答案檢索機(jī)制的標(biāo)志。整個(gè)工作流程——問題分解、關(guān)鍵轉(zhuǎn)折點(diǎn)識(shí)別、精確搜索執(zhí)行、交叉驗(yàn)證——反映了人類專家采用的復(fù)雜研究方法。

特別值得注意的是，智能體在29步推理過程中展示了多種高級(jí)推理模式，包括線索分解、策略調(diào)整、關(guān)鍵信息識(shí)別、目標(biāo)獲取和系統(tǒng)驗(yàn)證。這種能力正是SailorFog-QA-V2中擴(kuò)展的不確定性光譜和雙環(huán)境RL訓(xùn)練共同作用的結(jié)果。

構(gòu)建高性能Agent的系統(tǒng)工程啟示

WebSailor-V2的成功為開源Web智能體的發(fā)展提供了寶貴經(jīng)驗(yàn)，其核心啟示在于將整個(gè)開發(fā)過程視為一個(gè)"強(qiáng)化學(xué)習(xí)"循環(huán)：任何組件的不穩(wěn)定或缺乏魯棒性都會(huì)導(dǎo)致錯(cuò)誤的"獎(jiǎng)勵(lì)"信號(hào)，從而影響最終性能。

"數(shù)據(jù)-環(huán)境"雙引擎范式的核心價(jià)值

WebSailor-V2的實(shí)踐驗(yàn)證了其核心觀點(diǎn)："高質(zhì)量數(shù)據(jù)和穩(wěn)定訓(xùn)練環(huán)境比特定算法更為關(guān)鍵"。研究團(tuán)隊(duì)認(rèn)為，構(gòu)建高質(zhì)量智能體是一個(gè)復(fù)雜的系統(tǒng)工程挑戰(zhàn)；如果將整個(gè)開發(fā)過程視為"強(qiáng)化學(xué)習(xí)"循環(huán)，任何組件的不穩(wěn)定或缺乏魯棒性都會(huì)導(dǎo)致錯(cuò)誤的"獎(jiǎng)勵(lì)"信號(hào)。

這一洞見對(duì)智能體研究具有深遠(yuǎn)指導(dǎo)意義：與其過度關(guān)注算法創(chuàng)新，不如投入更多資源確保數(shù)據(jù)質(zhì)量和環(huán)境穩(wěn)定性。系統(tǒng)工程思維應(yīng)成為智能體開發(fā)的主導(dǎo)范式。

對(duì)未來研究的啟示

基于WebSailor-V2的經(jīng)驗(yàn)，未來研究應(yīng)重點(diǎn)關(guān)注：

• 數(shù)據(jù)工程優(yōu)先：構(gòu)建高質(zhì)量、多樣化的訓(xùn)練數(shù)據(jù)，特別是擴(kuò)展不確定性光譜和確保邏輯多樣性
• 環(huán)境穩(wěn)定性保障：設(shè)計(jì)穩(wěn)健的訓(xùn)練環(huán)境，減少外部干擾，特別是開發(fā)高保真仿真環(huán)境
• 重視SFT階段：為RL提供強(qiáng)大初始策略，特別是對(duì)中小規(guī)模模型
• 算法簡化：避免過度復(fù)雜化RL算法，聚焦基礎(chǔ)穩(wěn)定性，采用"穩(wěn)定優(yōu)先"的設(shè)計(jì)哲學(xué)

通往AGI的務(wù)實(shí)路徑

WebSailor-V2的性能收益表明，通過精心設(shè)計(jì)的數(shù)據(jù)和訓(xùn)練環(huán)境，中等規(guī)模開源模型可以達(dá)到與頂尖閉源系統(tǒng)相媲美的性能。這一成就驗(yàn)證了“代理范式是縮小強(qiáng)模型與弱模型之間差距的有效方法”這一核心假設(shè)。

研究團(tuán)隊(duì)未來工作會(huì)繼續(xù)探索如何更有效地利用外部知識(shí)，使模型能夠"reason over"獲取的信息，從而突破自身規(guī)模限制。WebSailor-V2為開源社區(qū)提供了一條清晰路徑：與其盲目追求更大模型或更復(fù)雜算法，不如專注于構(gòu)建高質(zhì)量數(shù)據(jù)和穩(wěn)定訓(xùn)練環(huán)境。論文明確指出："構(gòu)建高質(zhì)量Agent是一個(gè)復(fù)雜的系統(tǒng)工程挑戰(zhàn)；如果將整個(gè)開發(fā)過程視為'強(qiáng)化學(xué)習(xí)'循環(huán)，任何組件的不穩(wěn)定或缺乏魯棒性都會(huì)導(dǎo)致錯(cuò)誤的'獎(jiǎng)勵(lì)'信號(hào)。"這一洞見應(yīng)成為開源Agent開發(fā)的核心指導(dǎo)原則。

開源社區(qū)應(yīng)聚焦于構(gòu)建更強(qiáng)大的"數(shù)據(jù)-環(huán)境"生態(tài)系統(tǒng)，而非單純追求模型規(guī)?；蛩惴◤?fù)雜度。未來工作應(yīng)更多投入數(shù)據(jù)工程，設(shè)計(jì)更豐富的不確定性類型，構(gòu)建更穩(wěn)健的訓(xùn)練環(huán)境，而非簡單復(fù)制閉源系統(tǒng)的表面特征。

正如論文最后所言：通過WebSailor-V2的成功開發(fā)，研究團(tuán)隊(duì)希望這項(xiàng)工作能夠提供有價(jià)值的見解，并為該領(lǐng)域的未來努力提供靈感。隨著更多研究者認(rèn)識(shí)到"數(shù)據(jù)-環(huán)境"雙引擎的重要性，開源Web智能體將真正實(shí)現(xiàn)與閉源系統(tǒng)的并駕齊驅(qū)，甚至引領(lǐng)創(chuàng)新方向。