阿里旗下首个深度研究Agent模型——通义DeepResearch正式开源，引发AI圈高度关注。该模型在多项权威基准测试中表现亮眼，不仅在号称“人类最后考试”的HLE榜单中以32.9%的成绩超越DeepSeek-V3.1（29.8%）和OpenAI DeepResearch（26.6%），更在BrowseComp榜单上以43.4%的准确率领跑开源模型。
这款30B参数（激活3B）的模型之所以能实现“小体量、大能量”，核心在于其独特的训练体系。研究团队构建了“智能体合成数据”体系，通过Agentic CPT（增量预训练）技术，将海量知识文档、网页数据、知识图谱及工具使用记录整合为开放世界记忆库，自动生成高质量训练数据。这种“机器生产”模式不仅摆脱了对人工标注的依赖，更通过动作合成技术生成规划、推理、决策三类数据，使模型在离线状态下即可探索海量推理路径。
在数据处理层面，团队开发了WebSailor V2全自动合成方案，通过随机游走构建知识图谱、策略性隐藏关键信息、集合论形式化建模等手段，确保生成的问题既贴近真实场景又具有足够复杂度。特别针对跨学科难题，该方案能驱动配备网络搜索、学术检索工具的Agent，在循环中深化问题，实现任务难度的可控升级。
面对长程复杂任务，通义DeepResearch创新采用双模式推理架构。标准任务下，模型通过ReAct模式（思考-行动-观察）凭借128K超长上下文进行多轮次快速交互；极端复杂任务则启动Heavy模式，将任务分解为多个研究轮次，每轮仅提取精华结论构建新工作空间，通过“综合-重构”迭代保持认知焦点。这种设计有效解决了传统单窗口模式的信息过载问题，使模型在HLE、BrowseComp等基准上持续刷新纪录。
训练流程方面，团队打通了“Agentic CPT→SFT→Agentic RL”端到端链路，首次提出两阶段增量预训练范式。在强化学习环节，基于GRPO定制优化的算法通过token级策略梯度损失函数、留一法策略降低估计方差，配合大批量训练维持监督信号稳定性。动态指标显示，模型奖励值持续上升且策略熵保持高位，表明其始终处于探索进化状态。
基础设施层面，团队构建了全栈式训练环境：利用离线维基百科和自定义工具套件创建的仿真平台，摆脱了对实时Web API的依赖；工具沙盒通过缓存结果、失败重试等机制保障交互稳定性；自动数据管理系统形成“生成-训练”正向循环；基于rLLM的异步框架实现多智能体并行训练。这些创新使模型从基座开始，通过预训练、微调、强化学习实现自我进化。
实际应用中，通义DeepResearch已赋能高德“小高老师”和“通义法睿”两大产品。在高德V16版本中，基于Qwen模型微调的POI推理Agent能处理地理区域、交通约束、时间约束等多维度信息，例如用户要求“在西湖边找评分4.5以上、有儿童餐、距地铁站1公里内的浙菜馆”，AI可立即给出最优解及路线规划。法律领域，“通义法睿”通过迭代式规划执行多步查询，依托真实判例和法规提供可追溯分析，在答案要点、案例引用、法条引用质量上超越同类产品。
目前，开发者可在Hugging Face、GitHub、ModelScope获取模型及技术报告。GitHub项目已获7.2k星标，显示出社区的高度认可。Hugging Face联合创始人及斯坦福NLP实验室等科技大V的转发关注，进一步印证了该成果的技术影响力。
