这项由上海交通大学研究团队主导完成的研究以技术报告形式于2026年5月5日发布在预印本平台arXiv编号为arXiv:2605.04036v1。对这一领域有深入兴趣的读者可以通过该编号检索完整论文。**一个让整个AI圈子都有些意外的故事**先说一个背景现在的人工智能助手越来越需要具备深度搜索的能力——也就是说它不只是简单地找一下关键词而是要像一个经验丰富的研究员那样在海量信息中反复追踪、多处交叉验证、最终给出靠谱答案。这种能力在业内被称为深度搜索能力是当前最顶尖的AI系统必须具备的核心技能之一。然而构建这样的AI系统历来是大公司的专属游戏。阿里巴巴、OpenAI、Anthropic这些巨头通常需要走一条极其复杂且烧钱的路先在海量语料库上做持续预训练相当于让AI把互联网上的绝大多数内容都通读一遍然后再用人工标注数据做监督微调手把手教它怎么做最后还要用强化学习让它在反复试错中进一步提升。整个过程耗时耗力、成本高昂需要大量专有数据和庞大的计算资源普通学术团队根本玩不转。就在这样的背景下上海交通大学的研究团队做了一件让人意外的事——他们用仅仅10600条训练数据通过最简单的训练方式训练出了一个叫做OpenSeeker-v2的搜索智能体在四个权威测试基准上都达到了当前最顶尖的水平甚至超过了阿里巴巴用持续预训练监督微调强化学习全套重型流程训练出来的Tongyi DeepResearch。这个结果套用一句江湖上的比喻就像是一个靠刷精选错题集备考的学生在高考中打败了那些拥有全套豪华课程的竞争者。**一、搜索AI到底在做什么为什么这么难训练**要真正理解这项研究的意义得先搞清楚深度搜索AI究竟是什么样的东西以及为什么训练它这么难。普通的搜索引擎你输入一个关键词它给你返回一堆网页链接然后你自己去看、自己去判断。但深度搜索AI要做的是另一件事它接到一个复杂问题之后会自主地制定搜索计划执行一系列搜索动作阅读和分析搜索结果再根据这些结果决定下一步该怎么搜、搜什么一步一步地推进直到最终给出一个有据可查的完整答案。这个过程和人类研究员在图书馆查资料、写报告的过程非常相似。业内有一个常用的框架来训练这类AI叫做ReAct范式。简单来说AI每一步都要先思考Reasoning再行动Acting行动完之后观察结果再思考再行动如此循环。每一次行动就是调用一个工具比如执行一次网络搜索、访问一个网页、调取某个数据库等等。这样一轮一轮下来AI就像一个侦探在案发现场反复勘查最终锁定答案。训练这样的AI之所以困难核心原因在于你需要大量高质量的示范案例来让AI学习。就像培养一个优秀的侦探你不能只给他看简单的失窃案你需要给他看大量复杂的、需要多方取证的案件让他学会在迷雾重重的情况下如何一步步找到真相。这些示范案例在AI训练里叫做轨迹数据——也就是完整记录了AI从接到问题到给出答案的整个推理和搜索过程。问题在于真正高质量的轨迹数据极其难以获取。要么是靠人工标注成本极高要么是靠AI自动生成但如何确保生成的数据足够复杂、足够有挑战性让AI真正能学到东西而不是只学会一些表面功夫就是一门学问了。**二、OpenSeeker-v2的核心秘密让练习题变得更难、更丰富**上海交通大学的研究团队在这个问题上提出了他们的核心答案数据质量特别是数据的难度和信息丰富度才是训练优秀搜索AI的关键。他们在前作OpenSeeker-v1的基础上对数据合成流程做了三处关键改动正是这三处改动造就了OpenSeeker-v2的突出表现。整个数据合成的底层逻辑是基于一种叫做知识图谱的结构。你可以把知识图谱理解成一张巨大的关系网网上的每个节点代表一个知识实体比如一个人、一本书、一个事件节点之间的连线代表它们之间的关系比如作者是、发生于、属于等等。当AI需要回答一个复杂问题时它往往需要在这张网上跳多个节点——先找到A再从A找到B再从B找到C最终才能拼出完整答案。这种多跳的推理过程就是深度搜索能力的精髓所在。**第一处改动扩大知识图谱的规模**在生成训练数据时系统会为每一个种子节点构建一个局部子图——相当于从知识网络中截取一小块区域用这块区域来生成一道题目。原来的做法是截取一个较小的区域生成的题目涉及的知识范围比较有限AI解题时不需要探索太多节点。OpenSeeker-v2把这个截取范围大幅扩大了。扩大之后局部子图里包含了更多、更多样的知识实体和它们之间的关系。在这个更大的知识网络上生成的题目天然就会更复杂——要回答它AI需要横跨更多的知识节点进行更深入的多跳推理绝对不能靠简单地查一下就完事。用一个直观的比喻来说这就好比原来出的题是找出张三的直属老板是谁扩大图谱之后出的题变成了找出张三的老板的老板的大学同学曾经参与过的某个项目的主要负责人是谁。后者需要跳跃的层级多得多需要搜索的信息分散在各处难度不可同日而语。**第二处改动扩充可用工具的种类**原来的训练数据中AI可以使用的工具种类比较有限。OpenSeeker-v2增加了更多样化的工具让AI在模拟搜索过程中可以使用更丰富的手段。这个改动的意义在于现实世界里的复杂问题往往需要综合运用多种信息获取手段才能解决。一个好的研究员不只会用搜索引擎还会查数据库、翻学术文献、访问专业网站、对比多个来源的说法。通过扩充工具集训练数据中生成的轨迹就会包含更丰富的工具调用模式AI学完之后面对真实任务时就能更灵活地选择最合适的工具组合而不是只会用几种固定招式。**第三处改动严格过滤掉太简单的数据**这是三处改动中最直接也最有意思的一处。研究团队设定了一个门槛凡是AI完成一个任务所需要的工具调用步骤数量低于某个最低值的这条数据就被直接丢弃不纳入训练集。这背后的逻辑非常清晰如果一道题AI只需要搜索两三次就能答出来那这道题其实并没有训练价值因为它太浅了AI从中学不到真正复杂的搜索策略。就像备考时大量做简单送分题感觉做了很多但真到了考场遇到难题还是手足无措。通过这道过滤门槛研究团队确保了最终进入训练集的每一条数据都是需要AI经历足够多轮思考-搜索-观察循环才能完成的复杂任务。这就像一个备考策略专门收集那些至少需要查阅五本参考书、跑四趟图书馆才能解答的难题强迫你在训练阶段就习惯于长时间、多步骤的深度探究。经过这三重改造最终留下来的训练数据只有10600条但每一条都是硬骨头。相关数据也印证了这一点OpenSeeker-v2训练数据中每条轨迹平均需要64.67步工具调用而OpenSeeker-v1的平均步数是46.97步被拿来比较的RedSearcher则只有36.01步。步数越多意味着任务越复杂、AI学到的搜索策略越深入。**三、模型基础与训练方式简单到出乎意料**构建OpenSeeker-v2所用的基础模型是阿里巴巴开源的Qwen3-30B-A3B-Thinking-2507。这个模型的特点是总参数量30B但推理时只激活3B参数可以理解为一个拥有300亿知识储量的大脑但每次思考问题时只需要动用其中30亿个神经元既保留了强大的知识基础又不需要太大的计算资源。模型设置了256000个token的超长上下文窗口支持单次处理极长的信息每次任务最多允许调用200次工具确保它有足够的机会去反复搜索和推理。训练方式就是最朴素的监督微调——给AI看那10600条高质量的示范轨迹让它学着模仿一轮跑完就结束没有额外的强化学习没有复杂的超参数调整没有多阶段的课程设计。就这么简单。**四、测试成绩在四个战场上全面告捷**研究团队用四个业内认可的权威测试基准来评估OpenSeeker-v2的能力这四个基准各有侧重综合起来能比较全面地衡量一个深度搜索AI的真实水平。BrowseComp是由OpenAI团队设计的一个浏览器代理测试基准被公认为简单但极具挑战性——它要求AI通过网络浏览找到非常具体、隐藏较深的信息很多问题连人类都很难快速作答。OpenSeeker-v2在这个测试上得到了46.0%的成绩。BrowseComp-ZH是BrowseComp的中文版本专门测试AI处理中文互联网信息的能力。OpenSeeker-v2在这里得到了58.1%的成绩这个数字格外亮眼因为中文网络信息的结构和英文有很大不同能在中文版上表现出色说明模型的搜索策略具有相当强的跨语言适应性。Humanitys Last Exam顾名思义是一个被设计得极其困难的综合知识测试涵盖各领域的专家级问题连顶尖AI模型在这上面的得分通常也不高。OpenSeeker-v2得到了34.6%。xbench-DeepSearch是另一个专门针对深度搜索能力设计的综合测试平台OpenSeeker-v2得到了78.0%的成绩。把这四个成绩拿出来和竞争对手比较画面就很有说服力了。阿里巴巴通义实验室的Tongyi DeepResearch经过持续预训练监督微调强化学习的完整重型流程训练四个测试的成绩分别是43.4%、46.7%、32.9%和75.0%四项全部被OpenSeeker-v2超越。RedSearcher同样经历了同等级别的重型训练流程在BrowseComp上得到42.1%BrowseComp-ZH上49.8%Humanitys Last Exam上34.3%——除了最后一项差距不大其余两项都明显低于OpenSeeker-v2。WebSailor-V2是另一个有代表性的对比对象它有两个版本纯监督微调版本在BrowseComp上只有24.4%加了强化学习之后也只有35.3%与OpenSeeker-v2的46.0%仍有明显差距。WebLeaper也是类似情况监督微调版本27.7%加了强化学习之后38.8%依然落后。研究团队还把OpenSeeker-v2和一些参数量远超它的大模型做了横向比较。DeepSeek-V3.1参数量高达671B是OpenSeeker-v2的二十多倍但BrowseComp上只有30.0%BrowseComp-ZH上49.2%Humanitys Last Exam上29.8%三项均低于OpenSeeker-v2。GLM-4.6-357B和Minimax-M2-230B也是类似情况参数量远胜但搜索表现不及OpenSeeker-v2。就连Claude-4.5-Sonnet这样的商业闭源顶级模型BrowseComp上24.1%、BrowseComp-ZH上42.4%、Humanitys Last Exam上32.0%也都被OpenSeeker-v2全面压制。当然也有一些更强的选手。OpenAI的o3在BrowseComp上达到了49.1%GPT-5-High达到54.9%DeepSeek-V3.2-671B达到51.4%Gemini-3-pro在Humanitys Last Exam上达到45.8%。这些更大规模的闭源或超大参数模型在部分指标上仍然领先OpenSeeker-v2。但研究团队的比较重点是在30B参数规模、ReAct范式这个具体的赛道上——在这个范围内OpenSeeker-v2确实是当前公开成绩中最强的。**五、从v1到v2同样的规模完全不同的表现**研究团队在报告中特别强调了OpenSeeker-v1和OpenSeeker-v2之间的对比因为这个对比最能说明数据质量的作用。两个版本用的是同样规模的模型同样只用了监督微调训练数据量也相近v1是11700条v2是10600条唯一的差别就是数据合成方式的改进。结果BrowseComp从29.5%跳到了46.0%BrowseComp-ZH从48.4%升到了58.1%xbench从74.0%提升到了78.0%。这些增幅仅仅靠改变数据合成策略就实现了没有增加训练数据量没有引入更强的训练技术没有换更大的基础模型。这个对比直接印证了研究团队的核心判断在深度搜索AI的训练中数据的难度和信息丰富度比数据的数量更重要甚至可能比训练方法本身更重要。研究团队认为OpenSeeker框架在当前的监督微调设置下性能还远远没有达到上限通过进一步提升合成数据的质量、难度和多样性还有很大的提升空间。**六、这项研究真正改变了什么**说到底这项研究最有价值的不只是一个性能更好的模型而是它传递的一个信号高质量的深度搜索AI不再是只有工业巨头才能研发的东西。过去学术界和开源社区在这个方向上处于明显劣势因为持续预训练监督微调强化学习的完整流程需要的资源远超学术团队的承受范围。OpenSeeker-v2展示了一条可行的替代路径专注于数据质量特别是数据的难度和信息丰富度用精心设计的少量数据加上简单的训练方式同样能达到顶尖水平。研究团队已经完全开源了OpenSeeker-v2的模型权重任何研究者都可以直接下载使用也可以在此基础上继续研究。这意味着那些没有巨额预算的学术团队和开源社区现在有了一个真正可以参考和复现的强基线深度搜索AI的研究门槛实质性地降低了。归根结底这项研究给了我们一个很有启发性的提示有时候与其花大量资源去堆砌复杂的训练流程不如静下心来认真想清楚给AI的练习题应该有多难、包含多少信息这个更根本的问题。一个学生如果每天做的都是真正有挑战性的综合题而不是简单的送分题哪怕练习量少一点最终的考试成绩往往也会更好。这个道理在AI训练上同样成立。对深度搜索AI、大模型训练或相关技术感兴趣的读者可以通过arXiv编号2605.04036v1检索完整的技术报告模型权重也可通过PolarSeeker/OpenSeeker-v2-30B-SFT在Hugging Face平台找到。---QAQ1OpenSeeker-v2用的是什么训练方法为什么不用强化学习AOpenSeeker-v2只用了监督微调SFT也就是让模型学习人工合成的高质量示范案例整个训练流程只有这一个阶段。研究团队的核心观点是只要训练数据足够难、信息足够丰富监督微调本身就已经足够强大不需要额外的强化学习也能达到顶尖水平。强化学习虽然理论上可以进一步提升但成本更高、流程更复杂而研究结果表明数据质量的提升带来的收益甚至更大。Q2OpenSeeker-v2的训练数据是怎么生成的A训练数据是通过知识图谱自动合成的。系统从知识图谱中选取节点构建一个较大的局部子图再基于这个子图生成需要多步骤推理才能回答的复杂问题然后让AI一步步搜索、推理记录下完整的操作过程作为训练样本。最终所有步骤数少于设定门槛的简单案例都会被过滤掉只保留真正复杂的轨迹数据。整个过程不依赖人工标注。Q3OpenSeeker-v2能在哪里下载使用A研究团队已经完全开源了OpenSeeker-v2的模型权重可以在Hugging Face平台上通过搜索PolarSeeker/OpenSeeker-v2-30B-SFT找到并下载。相关代码也在GitHub上开源项目地址是PolarSeeker/OpenSeeker。由于模型参数量为30B实际部署需要一定的GPU计算资源普通个人电脑无法直接运行。