大模型也能成为深度研究专家？北京智源人工智能研究院InfoSeek让3B小模型媲美顶级商用API

当我们想要解决一个复杂问题时，往往需要像侦探一样层层抽丝剥茧。比如想知道"哪位数学家的故乡城市人口超过500万，且该城市是某个讲英语国家的首都？"这样的问题，就需要我们先找到符合条件的数学家，再查找他的出生地，然后验证这个城市的人口和国家信息。这种需要多步骤、多层次推理的复杂任务，在人工智能领域被称为"深度研究"。

这项由北京智源人工智能研究院的夏子毅、罗昆、钱弘锦和刘政团队开展的开创性研究，发表于2025年8月30日的arXiv预印本平台。研究团队针对当前大语言模型在复杂推理任务上的局限性，提出了InfoSeek这一全新的数据合成框架，让仅有3B参数的小模型在深度研究任务上的表现能够媲美甚至超越32B的大模型和商用API。感兴趣的读者可以通过arXiv:2509.00375v1访问完整论文。

传统的问答任务就像回答"北京是哪个国家的首都？"这样的直接问题，答案显而易见。而多跳推理任务则像接力赛一样，需要一步步传递信息才能得到最终答案。但深度研究任务更像是解一道复杂的数学题，需要同时满足多个条件，而每个条件本身又可能包含子条件，形成了一个复杂的层级结构。

研究团队巧妙地将这类问题形式化为"层次约束满足问题"，就像搭建一座金字塔一样，每一层都有自己的约束条件，只有当所有层级的条件都满足时，才能得到唯一正确的答案。这种结构化的方法确保了问题的复杂性和答案的唯一性，避免了简单的记忆性回答或模糊的多种可能答案。

InfoSeek的核心创新在于其独特的数据合成方法。研究团队设计了一个双代理系统，就像有两位侦探合作破案一样。规划者代理负责制定整体策略，决定从哪些角度来构建问题的复杂结构；而浏览者代理则负责具体执行，从大规模网页和维基百科中提取相关实体和关系信息。

整个数据构建过程分为四个关键步骤。首先是初始化阶段，系统从知识库中随机选择一个实体作为最终答案，就像确定侦探小说的"凶手"一样。接下来是"模糊父节点"操作，这是InfoSeek的一个重要创新。系统会为选定的实体添加多个约束条件，但这些条件经过巧妙设计，确保只有特定实体能同时满足所有条件，避免了答案的模糊性。

第三步是扩展树结构，系统会继续向下挖掘，为已有的节点添加子节点，增加推理的深度。就像剥洋葱一样，每剥开一层就发现新的线索和约束。最后一步是终止和问题生成，当研究树达到预设的复杂度时，系统会将整个结构转换为自然语言问题。

研究团队在数据质量保证方面下了很大功夫。他们设置了两道质量门槛：难度验证和可验证性检查。难度验证确保问题不能仅凭模型的参数化记忆就能回答，而是真正需要多步推理；可验证性检查则确保每个问题都有明确的推理路径和证据支撑，避免了无解或多解的情况。

通过这套完整的框架，InfoSeek成功构建了包含5万多个训练样本的数据集，每个样本都附带完整的推理轨迹。数据集的复杂度呈现出有趣的分布特征：大多数问题需要4到6个推理节点，而随着节点数量增加，问题的难度也显著提升。即使是强大的Qwen2.5-72B模型，在这些问题上的失败率也高达92.7%，充分说明了数据集的挑战性。

在模型训练方面，研究团队采用了创新的双阶段训练策略。首先通过监督学习让模型掌握基本的推理模式，就像学习侦探的基本技能一样。然后通过强化学习进一步优化模型的推理和搜索能力，让模型能够更好地平衡探索和利用。

为了处理复杂的信息检索需求，InfoSeeker采用了独特的工作流设计。模型在每个推理步骤都会先进行"思考"，规划接下来需要什么信息，然后并行生成多个搜索查询，大大提高了信息收集的效率和覆盖面。更巧妙的是，系统还引入了专门的精炼代理，负责将检索到的大量信息浓缩成精华，避免了信息过载导致的混乱。

实验结果令人振奋。在传统的单跳和多跳问答任务上，InfoSeeker-3B consistently outperformed all baseline models，包括那些基于检索增强生成的方法和其他先进的代理搜索模型。更令人惊讶的是，在专门测试深度研究能力的BrowseComp-Plus基准测试中，仅有3B参数的InfoSeeker模型达到了16.5%的准确率，显著超过了Gemini 2.5 Flash（15.5%）、Sonnet 4（14.3%）和GPT-4.1（14.6%）等商用API，甚至接近Gemini 2.5 Pro（19.0%）的性能水平。

特别值得关注的是，InfoSeeker相比传统训练数据的优势非常明显。使用相同的训练设置，基于自然问题和HotpotQA训练的模型在BrowseComp-Plus上仅能达到3.0%的准确率，而InfoSeeker训练的模型却能达到16.5%，提升幅度超过5倍。这清楚地表明，专门针对深度研究任务设计的数据对模型能力的重要性。

研究团队还深入分析了模型的搜索行为。InfoSeeker平均每个问题需要进行8.24次搜索调用，比一些商用模型更加高效。这种适度的搜索频率既保证了信息的充分性，又避免了过度搜索带来的噪声和计算成本。

从技术细节来看，InfoSeek框架具有很强的可扩展性和可控性。研究团队可以通过调整研究树的深度和广度来控制问题的复杂度，就像调节游戏的难度级别一样。同时，由于保留了完整的构建过程元信息，包括中间步骤和检索标签，InfoSeek为未来更复杂的奖励设计和轨迹级优化提供了可能。

这项研究的意义远远超出了技术本身。它证明了通过精心设计的数据合成方法，小模型也能在复杂任务上达到接近大模型的性能，这对于资源受限的场景具有重要价值。同时，InfoSeek的开源特性也为学术界和产业界提供了宝贵的研究工具和基准数据集。

从实用角度来看，这项技术为未来的智能助手开辟了新的可能性。用户可以提出更加复杂和开放的问题，而不必担心模型无法理解或给出错误答案。无论是学术研究、商业分析还是日常生活中的复杂决策，这种深度研究能力都将发挥重要作用。

研究团队还特别强调了数据质量的重要性。通过严格的质量控制流程，InfoSeek确保每个生成的问题都具有明确的答案和清晰的推理路径。这种对质量的坚持不仅提高了训练效果，也为评估和比较不同模型的深度研究能力提供了可靠的标准。

值得一提的是，InfoSeek的成功也验证了一个重要观点：在人工智能发展的当前阶段，数据的质量往往比数量更加重要。通过精心构造的5万个高质量样本，InfoSeek取得了比使用数十万传统样本更好的效果，这为未来的AI研究指明了方向。

展望未来，这项研究为人工智能在复杂推理任务上的发展奠定了重要基础。随着InfoSeek框架的进一步完善和扩展，我们有理由期待看到更多能够进行深度思考和复杂推理的AI系统，它们将成为人类在各个领域探索未知、解决问题的得力助手。

说到底，InfoSeek的最大贡献在于证明了即使是小模型，只要有了合适的训练数据和方法，也能具备令人印象深刻的深度推理能力。这不仅是技术上的突破，更是对AI民主化的重要推进，让更多的研究者和开发者能够构建出具有复杂推理能力的智能系统。感兴趣的读者可以访问研究团队提供的开源代码和数据集，亲自体验这一令人兴奋的技术进展。

Q&A

Q1：InfoSeek是什么？它解决了什么问题？

A：InfoSeek是北京智源人工智能研究院开发的数据合成框架，专门用于训练大语言模型的深度研究能力。它解决的核心问题是让AI模型能够处理需要多层次、多步骤推理的复杂问题，而不是简单的记忆性回答。

Q2：为什么3B的小模型能超越32B大模型的性能？

A：关键在于数据质量。InfoSeek通过精心设计的数据合成方法，创建了专门针对深度研究任务的高质量训练数据。研究证明，5万个高质量的InfoSeek样本比传统的数十万样本更有效，证明了数据质量比数量更重要。

Q3：普通人能使用InfoSeek技术吗？

A：目前InfoSeek主要面向研究者和开发者，研究团队已经开源了完整的代码和数据集。普通用户暂时无法直接使用，但随着技术发展，预计未来会有基于InfoSeek训练的智能助手产品面向公众。