大家好，我是肆〇柒。今天一起看看由東南大學(xué)、布朗大學(xué)與微軟研究院聯(lián)合推出的最新研究成果——InfoAgent。這項工作直指當(dāng)前深度研究智能體領(lǐng)域的核心痛點(diǎn)，通過創(chuàng)新的數(shù)據(jù)合成管道和自托管搜索工具，成功讓14B參數(shù)的模型在復(fù)雜研究任務(wù)上超越72B參數(shù)的競品。在信息過載的時代，這項研究或許能為我們帶來真正"懂你"的信息檢索體驗。

想想看，當(dāng)你在醫(yī)療研究中試圖尋找"罕見病的最新治療方案"，或在商業(yè)分析中探索"特定市場細(xì)分的最新消費(fèi)者行為趨勢"時，你是否曾遇到過這樣的困境：普通搜索引擎返回大量相關(guān)但淺層的信息，卻無法整合出真正有價值的答案？現(xiàn)有開源深度研究智能體(DRA)同樣束手無策——它們平均僅進(jìn)行5.4次(ASearcher)至9.5次(DeepDive)工具調(diào)用，而這類問題通常需要20次以上搜索才能解決。這意味著，當(dāng)你面對需要多源信息整合的復(fù)雜研究問題時，當(dāng)前開源DRA可能無法提供可靠答案。InfoAgent的研究探索，就是為了突破這一限制，讓信息檢索真正理解并解決你的復(fù)雜問題。

為什么"淺層搜索"總讓你失望？

深度研究智能體(DRA)與普通搜索引擎或檢索增強(qiáng)生成(RAG)系統(tǒng)有著本質(zhì)區(qū)別：RAG將檢索段落視為潛在變量，表現(xiàn)出高效、靜態(tài)和局部檢索的特點(diǎn)；而DRA則通過迭代方式與工具交互，實現(xiàn)靈活的多源信息整合，能夠處理更復(fù)雜的長視野搜索任務(wù)。這一區(qū)別至關(guān)重要——當(dāng)你面對需要整合多個信息源的復(fù)雜研究問題時，DRA的長視野搜索能力決定了你能否找到關(guān)鍵答案。

工具調(diào)用分布分析

上圖直觀揭示了問題所在：ASearcher數(shù)據(jù)集呈現(xiàn)出高度傾斜的工具調(diào)用分布，大部分示例需要零次或極少工具調(diào)用（平均5.4次，中位數(shù)1次）；DeepDive雖有更密集的工具調(diào)用分布（平均9.5次，中位數(shù)8次），但工具調(diào)用數(shù)量仍遠(yuǎn)低于實際需求。相比之下，InfoAgent數(shù)據(jù)集展現(xiàn)出顯著更高的工具使用頻率（平均20.3次）和更廣分布，大量軌跡需要20-50次調(diào)用，甚至有非忽略比例超過100次。

這意味著什么？當(dāng)你試圖了解"1930年代出生于弗吉尼亞縣(國會在1846年歸還給該州并在1920年更名)的棒球投手首次亮相的球隊"時，普通DRA可能只進(jìn)行5-10次搜索就放棄或給出錯誤答案。ASearcher數(shù)據(jù)集就像淺嘗輒止的網(wǎng)絡(luò)沖浪者，而InfoAgent數(shù)據(jù)集則像專業(yè)研究員——它不滿足于表面答案，而是不斷深入挖掘，直到找到確鑿證據(jù)。

瓶頸一：高質(zhì)量訓(xùn)練數(shù)據(jù)的缺乏與InfoAgent的突破

要讓DRA真正"懂你"，首先需要解決訓(xùn)練數(shù)據(jù)問題。InfoAgent通過創(chuàng)新的數(shù)據(jù)合成管道，系統(tǒng)性地增加了問題難度，確保模型必須進(jìn)行長視野搜索才能找到答案。

多實體搜索問題的合成流程

上圖展示了這一管道的核心機(jī)制：從維基百科實體構(gòu)建結(jié)構(gòu)化問題的完整流程。管道首先將原始實體轉(zhuǎn)換為節(jié)點(diǎn)，每個節(jié)點(diǎn)包含實體名稱、URL和從對應(yīng)頁面提取的事實集合；然后通過子樹采樣系統(tǒng)性地增加問題難度。

這種處理確保實體名稱和具體日期/數(shù)字被替換為模糊對應(yīng)物，使模型難以基于內(nèi)部知識或直接搜索識別實體。例如，"哪位1992年獲得諾貝爾獎的物理學(xué)家"變?yōu)?哪位1990年代初獲得重要科學(xué)獎項的科學(xué)家"，迫使模型必須進(jìn)行多步推理而非簡單匹配。

子樹提取算法通過隨機(jī)選擇節(jié)點(diǎn)并回溯到根節(jié)點(diǎn)的路徑，逐步構(gòu)建子樹，確保問題難度的可控增加。這一算法確保了問題難度的系統(tǒng)性提升，是InfoAgent數(shù)據(jù)合成管道的核心環(huán)節(jié)。

這些設(shè)計帶來的效果顯著：InfoAgent在BrowseComp上的準(zhǔn)確率從SFT階段的4.7%提升至RL后的15.3%，在BrowseComp-ZH上從17.0%提升至29.2%。這意味著，在100個復(fù)雜研究問題中，InfoAgent能正確回答15個左右，而其他開源模型可能只能回答不到5個。在醫(yī)療研究或法律咨詢等關(guān)鍵場景中，這10%的差距可能就是"找到救命方案"與"一無所獲"的區(qū)別。

瓶頸二：搜索工具的質(zhì)量與可控性——擺脫商業(yè)API的"黑盒"困境

即使擁有高質(zhì)量訓(xùn)練數(shù)據(jù)，如果工具環(huán)境不佳，DRA性能仍會受限?，F(xiàn)有研究往往依賴商業(yè)搜索API，導(dǎo)致檢索過程隱藏在專有服務(wù)背后，行為不可控，且效率受外部速率限制和工具可用性約束。這不僅使智能體行為難以預(yù)測，也使訓(xùn)練和評估難以復(fù)現(xiàn)。另一些工作采用簡單的維基檢索器，其信息質(zhì)量有限，無法處理需要最新網(wǎng)絡(luò)信息的問題。

搜索工具工作流程

上圖詳細(xì)展示了InfoAgent搜索工具的完整工作流程，揭示了如何解決這一瓶頸。該工具提供兩種功能：搜索功能返回相關(guān)URL和網(wǎng)頁片段；瀏覽功能則允許深入調(diào)查特定URL的內(nèi)容。

搜索功能的工作流程始于從搜索引擎（主要使用Google，Bing/Brave作為備用）獲取初始結(jié)果；然后通過網(wǎng)絡(luò)爬蟲獲取完整網(wǎng)頁，分割為128 token短文本塊；針對約15%無法爬取的網(wǎng)站，添加搜索引擎快照作為備用內(nèi)容。為提升搜索結(jié)果質(zhì)量，InfoAgent采用多級內(nèi)容過濾機(jī)制：

1. 首先使用BM25算法檢索前40塊，快照作為查詢檢索前3塊

2. 接著利用Qwen-3-Embedding-0.6B篩選前8塊

3. Qwen-3-Reranker-0.6B篩選前3塊

4. 最后由GPT-4o-mini生成不超過60詞的簡潔片段

這一多級過濾機(jī)制確保了搜索結(jié)果的精準(zhǔn)性和相關(guān)性。瀏覽功能則獲取2048 token長內(nèi)容塊，用于深度探索。

在 BrowseComp、BrowseComp-ZH 和 Xbench-DS 上，不同設(shè)置下訓(xùn)練和評估的模型的準(zhǔn)確率和工具調(diào)用次數(shù)對比表明，跳過 SFT（冷啟動監(jiān)督微調(diào)）階段，或者使用 Wiki Retriever 進(jìn)行訓(xùn)練/評估的模型，表現(xiàn)較差。

上表數(shù)據(jù)直觀展示了工具質(zhì)量的重要性：當(dāng)訓(xùn)練和推理均使用InfoAgent工具時，BrowseComp準(zhǔn)確率達(dá)10.0%，BrowseComp-ZH達(dá)18.7%；僅SFT階段使用優(yōu)質(zhì)工具時，準(zhǔn)確率降至3.0%和15.8%；而使用Wiki檢索器訓(xùn)練和推理時，準(zhǔn)確率僅為1.0%和4.5%。這一10倍的性能差距凸顯了優(yōu)質(zhì)搜索工具的決定性作用。

更令人驚訝的是，盡管所有訓(xùn)練數(shù)據(jù)均為英文，InfoAgent在中文基準(zhǔn)測試中表現(xiàn)優(yōu)異（BrowseComp-ZH達(dá)29.2%），展示了出色的跨語言泛化能力。這是一個關(guān)鍵的"啊哈時刻"：核心推理能力不依賴于語言特定知識，而更多基于對問題結(jié)構(gòu)和邏輯關(guān)系的理解。對于多語言用戶而言，這意味著無論你使用何種語言提問，InfoAgent都能提供高質(zhì)量的復(fù)雜問題解決方案。

兩階段訓(xùn)練：從行為模仿到能力飛躍

InfoAgent采用兩階段訓(xùn)練方法：冷啟動監(jiān)督微調(diào)(SFT)和強(qiáng)化學(xué)習(xí)(RL)。下圖直觀展示了SFT冷啟動對RL訓(xùn)練的關(guān)鍵影響：

強(qiáng)化學(xué)習(xí)訓(xùn)練過程比較

• 左圖顯示無SFT冷啟動的初始指令模型幾乎無法學(xué)習(xí)獲得更高獎勵（準(zhǔn)確率提升有限），而SFT模型則能持續(xù)提升性能
• 中圖表明SFT模型的工具調(diào)用次數(shù)顯著更高
• 右圖顯示SFT模型的重復(fù)查詢比例隨訓(xùn)練明顯下降，表明其學(xué)會了嘗試不同查詢獲取更多信息

這一現(xiàn)象證實，深度研究需要規(guī)劃、信息檢索、回溯等復(fù)雜能力，充分的高質(zhì)量SFT不可或缺。當(dāng)模型沒有SFT冷啟動時，它不知道如何充分利用工具，重復(fù)查詢比例高，工具調(diào)用次數(shù)低。

想象訓(xùn)練一個研究員卻不教他基本研究方法——這就是沒有SFT冷啟動的情況。上圖左側(cè)顯示，沒有SFT冷啟動的模型像無頭蒼蠅般亂撞，重復(fù)查詢比例高，工具調(diào)用次數(shù)低；而SFT模型則像受過專業(yè)訓(xùn)練的研究員，逐步優(yōu)化搜索策略，準(zhǔn)確率持續(xù)提升。SFT階段植入的長視野搜索行為，為RL階段的性能飛躍奠定了基礎(chǔ)。

在SFT階段，InfoAgent在14k合成軌跡上微調(diào)Qwen3-14B，批大小128，學(xué)習(xí)率2e-5，訓(xùn)練2個周期，上下文長度32k tokens。表3分析了軌跡長度的影響：訓(xùn)練軌跡包含≥10次工具調(diào)用時，BrowseComp準(zhǔn)確率達(dá)7.1%（但80%超出上下文）；而<10次工具調(diào)用時，準(zhǔn)確率僅為2.8%。這表明模型需要長軌跡訓(xùn)練才能解決復(fù)雜任務(wù)，但過長軌跡可能導(dǎo)致上下文耗盡。

RL階段進(jìn)一步優(yōu)化了SFT模型的推理驅(qū)動工具使用能力。研究采用難度篩選策略，選擇pass@4在0.25-0.75之間的樣本（5.7k樣本），確保數(shù)據(jù)難度適中。RL階段采用GRPO算法優(yōu)化，以AdamW優(yōu)化器，學(xué)習(xí)率1e-6，批大小128，訓(xùn)練5個周期。為加速訓(xùn)練并鼓勵高效解決問題，響應(yīng)被限制在16k tokens內(nèi)。

RL訓(xùn)練后，InfoAgent在多個基準(zhǔn)測試上顯著提升：BrowseComp從4.7%提升至15.3%，BrowseComp-ZH從17.0%提升至29.2%，Xbench-DS從28.0%提升至40.4%。這一提升直接反映了兩階段訓(xùn)練方法的有效性——SFT階段植入長視野搜索行為，為RL階段的性能飛躍奠定基礎(chǔ)。

棒球投手案例：一場智能推理的精彩演繹

論文中的附錄提供了一個詳細(xì)案例，展示了InfoAgent解決需要多步推理、整合歷史地理與體育數(shù)據(jù)的復(fù)雜問題的能力：

問題："哪支大聯(lián)盟棒球隊是那位在1930年代出生于弗吉尼亞縣(國會在1846年歸還給該州并在1920年更名)的投手首次亮相的？"

這一問題看似簡單，實則包含多重線索：歷史地理信息（1846年歸還、1920年更名的弗吉尼亞縣）、時間線索（1930年代出生）、體育數(shù)據(jù)（近20次救援成功）。InfoAgent通過7步推理過程解決：

1. 地理線索破解：確定縣為阿靈頓縣（原亞歷山德里亞縣，1846年歸還，1920年更名）

2. 初步搜索受挫：搜索"阿靈頓縣弗吉尼亞1930年代出生的棒球投手"，但結(jié)果不匹配

3. 策略調(diào)整關(guān)鍵點(diǎn)：結(jié)合"近20次救援成功"線索，搜索"1950年代第三名近20次救援"，發(fā)現(xiàn)Roy Face和Hoyt Wilhelm，但出生地不符

4. 精確化搜索：將模糊的"1930年代"精確化為"1930年"，搜索"1930年阿靈頓縣弗吉尼亞棒球"，找到Bill Dailey

5. 驗證關(guān)鍵信息：瀏覽Bill Dailey維基百科頁面確認(rèn)：1935年5月13日生于阿靈頓縣

6. 數(shù)據(jù)交叉驗證：確認(rèn)1963年記錄21次救援（"近20次"），1961年8月17日首次亮相于克利夫蘭印第安人隊

棒球投手問題解決軌跡

上圖展示了這一完整推理過程，特別突出了關(guān)鍵決策點(diǎn)。在Step 3中，當(dāng)初始搜索結(jié)果不匹配時，InfoAgent沒有放棄，而是巧妙地利用問題中的隱含線索"近20次救援"調(diào)整搜索策略，從寬泛搜索轉(zhuǎn)向更精確的查詢。在Step 4中，模型進(jìn)一步精確化查詢，將"1930年代"細(xì)化為"1930年"，并明確指定"弗吉尼亞"，最終成功定位目標(biāo)實體Bill Dailey。

這種基于中間結(jié)果動態(tài)調(diào)整搜索策略的能力，正是InfoAgent解決復(fù)雜研究問題的核心優(yōu)勢。它不是機(jī)械地執(zhí)行預(yù)設(shè)步驟，而是像人類研究員一樣，根據(jù)已有信息不斷調(diào)整研究方向，直至找到答案。當(dāng)你試圖了解類似問題時，普通搜索引擎會直接返回"1920年弗吉尼亞縣"的地理信息，而不會關(guān)聯(lián)到棒球歷史。InfoAgent通過7步推理找到Bill Dailey和克利夫蘭印第安人隊，這正是你需要的深度研究能力。

實際價值：超越數(shù)字的真正意義

在深度研究基準(zhǔn)上的評估

上表全面展示了InfoAgent與其他開源和專有模型在五個基準(zhǔn)測試上的對比結(jié)果。InfoAgent在BrowseComp達(dá)到15.3%，在開源<15B參數(shù)模型中表現(xiàn)最佳，并超越了WebSailor-72B(12.0%)和MiroThinker-32B-DPO-v0.1(13.0%)等更大模型。在中文基準(zhǔn)BrowseComp-ZH上，InfoAgent達(dá)到29.2%準(zhǔn)確率，超越WebSailor-32B(25.5%)；在Xbench-DS上達(dá)到40.4%，在WebWalkerQA上達(dá)到52.7%，均優(yōu)于同類模型。

這些數(shù)字背后的實際意義是什么？15.3%的準(zhǔn)確率意味著，在100個復(fù)雜研究問題中，InfoAgent能正確回答15個左右，而其他開源模型可能只能回答不到5個。雖然看起來不高，但考慮到這些問題的復(fù)雜性（平均需要20.3次工具調(diào)用），這已經(jīng)顯著優(yōu)于其他開源模型。在信息獲取至關(guān)重要的場景中，這10%的差距可能就是"找到關(guān)鍵治療方案"與"一無所獲"的區(qū)別。

更值得注意的是，盡管所有訓(xùn)練數(shù)據(jù)均為英文，InfoAgent在中文基準(zhǔn)上的出色表現(xiàn)（29.2%）展示了其強(qiáng)大的跨語言泛化能力。這揭示了一個重要洞見：核心推理能力不依賴于語言特定知識，而更多基于對問題結(jié)構(gòu)和邏輯關(guān)系的理解。對于多語言用戶而言，這意味著無論你使用何種語言提問，InfoAgent都能提供高質(zhì)量的復(fù)雜問題解決方案。

兩大瓶頸的解決方案

InfoAgent通過創(chuàng)新的數(shù)據(jù)合成管道和自托管搜索工具，有效解決了DRA領(lǐng)域的兩大核心瓶頸：

數(shù)據(jù)合成管道采用實體樹構(gòu)建、實體模糊化三階段處理和約束集優(yōu)化，系統(tǒng)性增加問題難度，確保需要長視野搜索和多步推理，產(chǎn)生平均20.3次工具調(diào)用的高質(zhì)量訓(xùn)練數(shù)據(jù)。這一管道的關(guān)鍵在于：它不是簡單地增加工具調(diào)用次數(shù)，而是通過精心設(shè)計的問題結(jié)構(gòu)，強(qiáng)制模型進(jìn)行真正的多步推理。

自托管搜索工具提供精細(xì)控制的輸出，避免商業(yè)API限制，采用多級過濾機(jī)制（BM25+嵌入模型+重排序+LLM提煉）確保內(nèi)容質(zhì)量，并通過緩存機(jī)制和混合服務(wù)策略優(yōu)化系統(tǒng)性能。訓(xùn)練和推理使用優(yōu)質(zhì)工具帶來顯著性能提升，使InfoAgent在多個基準(zhǔn)測試中超越更大規(guī)模的開源模型。

對開發(fā)者的實用啟示

構(gòu)建高質(zhì)量DRA時，應(yīng)關(guān)注以下關(guān)鍵點(diǎn)：

構(gòu)建高質(zhì)量訓(xùn)練數(shù)據(jù)：

• 確保問題需要多步推理而非淺層匹配：通過實體模糊化和約束集優(yōu)化，確保問題無法通過簡單搜索解決
• 監(jiān)控工具調(diào)用鏈長度：目標(biāo)平均20+次且分布廣泛，避免數(shù)據(jù)過于簡單
• 實施嚴(yán)格的可解性驗證：使用先進(jìn)模型測試問題難度，確保問題既具挑戰(zhàn)性又可解決

投資搜索工具質(zhì)量：

• 實現(xiàn)多級內(nèi)容過濾機(jī)制：BM25基礎(chǔ)過濾、嵌入模型語義匹配、重排序模型精煉
• 開發(fā)專用片段生成能力：不超過60詞的精準(zhǔn)摘要，確保信息密度和相關(guān)性
• 優(yōu)化系統(tǒng)性能：緩存機(jī)制提高訓(xùn)練吞吐量，混合服務(wù)策略應(yīng)對長尾問題

重視SFT冷啟動：

• 針對復(fù)雜任務(wù)設(shè)計高質(zhì)量SFT數(shù)據(jù)：確保模型首先學(xué)習(xí)正確的長視野搜索行為
• 混合長短軌跡訓(xùn)練：平衡性能與上下文限制，確保模型既能解決復(fù)雜問題又不會頻繁耗盡上下文
• 優(yōu)先植入長視野搜索行為：為RL階段的性能飛躍奠定基礎(chǔ)

超越當(dāng)前局限

InfoAgent揭示了未來發(fā)展方向：突破上下文長度限制，采用原生長上下文窗口的基礎(chǔ)模型和更先進(jìn)的RL基礎(chǔ)設(shè)施；拓展數(shù)據(jù)來源，從維基百科擴(kuò)展到更廣泛網(wǎng)絡(luò)；探索過程獎勵機(jī)制，優(yōu)化獎勵設(shè)計以提升訓(xùn)練效率；增強(qiáng)跨語言能力，開發(fā)多語言深度研究智能體。

特別值得注意的是，研究探索了過程獎勵機(jī)制對RL訓(xùn)練的影響。通過存儲問題涉及的實體和源網(wǎng)頁URL，計算軌跡中目標(biāo)實體的召回率作為額外獎勵

不同方法計算的召回率分布情況

上圖顯示了三種召回率計算方法的分布差異：名稱精確匹配(EM)、URL精確匹配(EM)和LLM評估。其中，LLM評估方法能獲得更多的非零召回獎勵。

不同獎勵權(quán)重下的訓(xùn)練曲線

這一發(fā)現(xiàn)對理解RL訓(xùn)練機(jī)制具有重要啟示：過程獎勵雖能提升訓(xùn)練信號的豐富度，但在當(dāng)前任務(wù)復(fù)雜度下，其對最終性能的提升有限。研究提出兩個假設(shè)解釋這一現(xiàn)象：(1)召回獎勵添加到最終獎勵中，但發(fā)現(xiàn)目標(biāo)實體的確切步驟未獲得明確的正向反饋，使模型難以從這些軌跡中學(xué)習(xí)；(2)訓(xùn)練數(shù)據(jù)集相對簡單，正確性獎勵已足夠教會模型必要的技能。

讓信息檢索真正"懂你"

通過InfoAgent的實踐，我們看到解決深度研究智能體的兩大瓶頸——高質(zhì)量訓(xùn)練數(shù)據(jù)和優(yōu)質(zhì)搜索工具——是提升DRA性能的關(guān)鍵。這些經(jīng)驗不僅適用于信息檢索領(lǐng)域，也為構(gòu)建能夠真正與現(xiàn)實世界交互的智能體提供了重要啟示。

InfoAgent的價值不僅在于技術(shù)指標(biāo)的提升，更在于它讓信息檢索真正"懂你"：當(dāng)你提出復(fù)雜問題時，它不會簡單地返回表面相關(guān)但缺乏深度的答案，而是像一位經(jīng)驗豐富的研究員，通過多步推理、信息整合和策略調(diào)整，為你找到真正需要的答案。

在信息過載的時代，這種深度研究能力不是奢侈品，而是必需品。InfoAgent的實踐表明，通過精心設(shè)計的數(shù)據(jù)合成管道和高質(zhì)量工具環(huán)境，我們能夠構(gòu)建真正理解并解決復(fù)雜問題的智能體，讓信息檢索從"找到相關(guān)信息"邁向"解決實際問題"的新階段。

InfoAgent的實踐為我們指明了方向——通過高質(zhì)量訓(xùn)練數(shù)據(jù)和優(yōu)質(zhì)搜索工具，我們可以構(gòu)建真正理解你需求、能夠深入挖掘復(fù)雜答案的智能體。這不僅是技術(shù)的進(jìn)步，更是人機(jī)協(xié)作研究方式的革新。