阶跃星辰Agent团队推出Step-DeepResearch，用32B参数的中等规模模型实现媲美OpenAI o3-mini和Gemini 2.0 Flash的深度研究能力，将行业部署成本降低一个数量级。
大语言模型正在经历从对话者向自主智能体进化的关键转折，而深度研究（Deep Research）作为解决开放式、长周期、高复杂度信息获取任务的核心能力，已成为通用智能体的必争之地。
OpenAI和Google等巨头展示了代理式信息获取的潜力，但也暴露了推理链条断裂、信息碎片化和高昂成本等局限。
Step-DeepResearch通过重构数据合成策略、训练范式和评估体系，证明了中等规模模型在经过精细化训练后，完全能够在深度研究领域达到专家级水平。
搜索不等于研究
工业界的快速进步往往掩盖了基准测试与真实效用之间的巨大鸿沟。
核心矛盾在于任务定义的错位：搜索关注的是针对明确查询的封闭式答案，优化的是检索精度；而研究是一个迭代过程，需要意图拆解、规划、工具使用、交叉验证以及将碎片化信息综合成结构化报告。
现有的多跳问答（Multi-hop QA）评估往往迫使智能体退化为高效的网页爬虫，只顾大规模收集事实，却无法像研究员那样构建连贯且经得起推敲的论点。
这种导向导致了信息碎片化、推理链条断裂以及噪声下的幻觉问题。
Step-DeepResearch重新定义了深度研究，将其视为在一组原子能力之上的长程决策过程。
这些原子能力包括适应性规划、信息收集与交叉验证、反思与纠错以及创造性写作。
提升可用性的关键不在于堆砌外部组件，而在于训练模型内化一个专家级的认知循环，使其能够在任务展开过程中进行自我检查和修正。
数据策略的核心在于构建原子能力。
深度研究智能体面临的主要挑战是弥合预训练与特定任务优化之间的决策差距。
直接在原始的Token空间进行探索不仅计算昂贵，而且由于分支因子随序列长度指数级增长，容易陷入局部最优。
因此，Step-DeepResearch提出了一种统一的数据构建视角：将训练目标从预测下一个Token重塑为决定下一个原子行动。
原子能力被定义为一组可迁移的高层动作抽象，构成了一个紧凑的动作子空间。
数据构建的目标是找到一个最优动作子空间，同时最小化剪枝误差和强化学习难度。
为了实现关键技能保留和规划逻辑清晰之间的帕累托最优，团队没有孤立地构建数据集，而是围绕规划与任务分解、深度信息搜寻、反思与验证、报告撰写这四大核心原子能力建立了专门的查询合成管线和轨迹生成策略。
规划与任务分解能力要求模型能够有效地将模糊或宽泛的用户请求分解为可执行的子任务，并根据环境反馈动态调整路线。
为此，团队采用了逆向工程策略，利用现实世界中已有的完美规划结果来合成高复杂度的规划数据。
通过选取高质量的公开技术报告、学术综述和金融研报，提取其标题和摘要，移除具体实验细节和结果数据，然后提示大模型逆向推导可能导致该报告的初始项目任务。
利用摘要结构作为一种后见之明，合成指导整个研究过程的高层计划。
这种方法生成的规划路径具有极高的可行性和逻辑性，为模型在推理阶段提供了强有力的约束。
为了确保数据质量，团队对生成的数据应用了轨迹一致性过滤，计算智能体执行轨迹与预设计划的对齐度，过滤掉那些虽然完成了任务但严重偏离预设计划的轨迹，确保模型学习到严格符合已知后见之明的执行过程。
深度搜索与信息搜寻能力不同于简单的问答，它要求模型具备多跳推理、挖掘隐含实体以及在信息不完整时进行主动拓扑游走的能力。
团队通过基于图和基于多文档的合成管线专门加强了这一能力。
在基于图的合成中，对Wikidata5m和CN-DBpedia等开源知识图谱进行了受控子图采样。
为了确保规划任务的非平凡性，使用QwQ-32b作为难度过滤模型，任何在默认ReAct框架下能被QwQ-32b解决的查询都被视为简单问题并从训练集中剔除。
在长程推理中，模型必须具备识别自身错误（自我修正）和区分互联网信息真伪（事实核查）的能力。
Step-DeepResearch设计了专门的闭环管线来生产反思、验证与交叉验证数据。
生成的验证轨迹经过严格的后验过滤，验证点、结论和证据被作为三元组输入到判断模型中，以验证报告结论是否在逻辑上与证据自洽。
报告撰写不仅仅是文本生成，它是对收集到的碎片化信息进行结构化重组的过程。
这一能力的训练被划分为两个阶段：中间训练（Mid-training）阶段专注于领域风格和内容深度，通过构建大规模的查询-报告对，让模型内化专家级的写作框架和术语风格；监督微调（SFT）阶段则专注于指令遵循和格式规范。
对于包含规划元数据的深度研究查询，要求模型生成的报告严格遵循预设的规划结构。
通过生成轨迹并执行与规划的对齐检查，过滤掉偏离的样本。
对于轨迹生成质量高但报告格式差的样本，采用专门的系统提示基于最终轮状态重新生成报告，确保最终输出不仅内容详实，而且在指令遵循和格式方面精确响应用户需求。
从中间训练到强化学习
Step-DeepResearch采用了一个基于320亿参数基础模型的渐进式三阶段训练管线，包括中间训练、监督微调（SFT）和强化学习（RL）。
这三个阶段依次应用，系统地提升模型在复杂推理和长程智能体任务中的整体性能。这种训练设计明确划分了能力扩展、行为对齐和目标优化的责任。
第一阶段是代理式中间训练（Agentic Mid-training）。
为了系统地增强模型在长上下文理解、知识整合和工具增强推理方面的能力，同时不显著增加参数规模，团队引入了介于预训练和指令微调之间的两阶段中间训练过程。
这一阶段旨在通过精心构建的数据分布和上下文长度调度，逐步使模型适应更复杂和更长序列的任务，促使稳定的中长程推理以及任务分解和执行能力的涌现。
中间训练遵循从较短到较长上下文、从纯知识型任务到工具增强型任务的课程，分为两个子阶段：第一阶段支持最大32K的上下文长度，第二阶段扩展至128K。
32K上下文的中间训练专注于注入规划与任务分解、信息搜寻、反思与验证以及报告生成等原子能力。
这一阶段并不直接优化任务完成率，而是强调系统地构建高质量的面向能力的数据，使模型在规划、证据整合和自我修正等关键维度上形成稳定且可泛化的中间表征。
数据来源包括维基百科、学术文章、合成文本以及内部推理和反思数据。通过学术主动阅读数据，模拟模型阅读长篇学术文档时的真实认知过程，引导其学习如何从大量文本中识别关键信息，并通过问答和重写任务形成有效的内部知识表征。
此阶段不引入显式的工具调用，确保模型在纯文本条件下发展出稳健的理解和推理能力。
训练过程中，随着数据规模增加，模型在SimpleQA、TriviaQA和FRAMES基准上的性能持续提升，尤其是在FRAMES上的大幅收益表明了智能体和结构化推理能力的增强。
128K上下文的中间训练建立在第一阶段能力稳定收敛的基础上，主要关注现实世界的复杂任务场景。
这一阶段加强了模型在超长上下文下的检索、规划和工具增强推理能力。
训练数据更紧密地对齐实际应用，涵盖Web交互、搜索过程和多工具协作等复杂结构。
通过在此阶段引入显式的工具调用，模型不仅被要求生成连贯的中间推理过程，还要学习何时以及如何选择和调用外部工具，并将返回结果整合到后续推理中。
URL问答、深度搜索、网页浏览、规划数据以及长文档摘要等数据被大量引入，使模型在保持通用语言交互能力的同时，掌握深度搜索和智能体场景下的操作逻辑。
第二阶段是训练后监督微调（SFT）。
在中间训练赋予模型基础原子能力后，SFT阶段的重点从孤立的能力教学转向原子能力的组合，以提高在长程任务上的端到端性能。
核心目标是领域适应和性能增强：利用严格清洗的高质量全链条轨迹，将模型现有的原子能力系统地连接起来，形成高效、稳健且深度对齐深度研究场景需求的行为模式。
SFT数据集主要由深度搜索（Deep Search）和深度研究（Deep Research）两类端到端任务轨迹组成。
深度搜索数据专注于具有明确标准答案的多跳搜索任务，强调性能优化和风格多样性，引入多样的推理模式，使模型能灵活选择最优推理路径。
深度研究数据则针对涉及开放式问题的综合研究任务，覆盖意图理解、规划、信息交叉验证和报告生成的全流程。
第三阶段是强化学习（RL）。
为了解决SFT仅依赖教师轨迹而无法通过试错学习改进的问题，团队引入了强化学习，将模型直接连接到真实的工具使用环境，并通过与环境的交互进行优化。
由于深度研究报告的质量依赖于任务分解、规划、工具调用策略、证据选择与验证以及最终报告生成等多个维度，且难以获得大规模的高质量人工评分，团队采用了基于细则（Rubrics）的评分系统作为优化信号。
为了解决数据稀缺问题，设计了两步逆向合成方法：首先利用强大的大语言模型生成初始任务描述（隐藏任务摘要）和一组细粒度的评分细则；然后基于这些细则合成目标任务（即实际的用户查询）。
通过独立的判断模型验证隐藏任务摘要、细则和合成任务之间的一致性，确保生成高质量的任务样本。
在奖励设计方面，为了支持大规模的代理式RL训练并保持信号质量，团队训练了一个专门的细则判断模型（Rubrics Judge）。
首先使用强模型对构建的查询-细则-报告三元组生成分数和解释，作为监督信号来训练判断模型。为了获得更具区分度的奖励信号，采用了严格奖励映射策略：将三元判断（完全满足、部分满足、不满足）转换为二进制信号。
强化学习算法采用了PPO（Proximal Policy Optimization）。
为了让智能体真正学会在现实世界约束下完成任务，将其置于一个多工具交互环境中，智能体可以自由地在自然语言生成和工具调用之间切换。
为了控制成本，引入了针对高开销网页检索的缓存机制，并对工具调用次数和总Token消耗施加明确预算。
智能体先进行意图分析，生成分步计划，然后组织工具调用和信息收集，最后起草报告。
细则判断模型根据预定义细则评估报告，产生多维分数并转换为奖励信号用于策略更新。
PPO算法通过Actor-Critic结构提供可操作的Token级学习信号，相较于无Critic的方法，能更可靠地估计价值，识别并降低诸如重复循环等有害模式的权重，从而提高训练稳定性。
简洁架构的实战检验
Step-DeepResearch是在ReAct范式下的单智能体架构中实现的，将复杂的深度研究任务重构为动态的推理-行动-观察循环。
系统周期性地通过三个核心阶段：规划与反思、工具执行、反馈与交叉验证。
智能体首先识别用户意图制定行动计划，随后在后续轮次中自发回顾先前结果以验证当前状态，实现动态自我修正。
为了解决海量互联网数据中信噪比失衡和权威性稀释的问题，系统构建了权威增强信息获取机制。
团队组建专业团队评估了超过600个涵盖政府域名、行业研究机构、国际组织和领先学术平台的核心权威站点，并为这些站点建立了独立的索引分片，物理和逻辑上隔离了权威内容与低质量SEO垃圾信息。
针对专业文献、金融报告等长文档，利用包含2000万高质量条目的专用库，采用段落级粒度索引，以较低的Token成本获取高密度信息。
在排名阶段，算法集成了权威提升因子，优先考虑来自权威站点的内容。
文件操作被转化为智能体原生协议。引入了基于补丁（Patch）的编辑功能，智能体只需提供带有最小锚点上下文的修改片段，工具通过模糊匹配执行原子更新。
这在涉及长篇报告局部润色的场景中，将输出Token成本降低了70%以上。
交互执行方面，所有命令都在受限的MCP沙箱环境中运行，集成了tmux会话管理机制，智能体可以稳定地操作如vim编辑器或实时监控工具等具有状态刷新特征的命令行程序。
浏览器引入了视觉冗余消除策略，通过计算页面截图的感知哈希距离，在页面更新可忽略时抑制基于图像的反馈，仅保留文本流，显著减少多模态Token冗余。
为了解决深度研究缺乏反映真实需求的中文基准的问题，团队建立了ADR-Bench（应用驱动的深度研究基准），涵盖商业研究、政策分析和软件工程等领域。
该基准结合了Elo风格的评分协议和多维质量标准，包括信息完整性、内容深度、需求契合度和可读性。查询分为通用领域和专业领域（法律、金融）。
通用领域采用人工成对比较评估，专业领域则依靠领域专家设计的高质量细则进行自动化评估。
实验结果显示，Step-DeepResearch在ResearchRubrics基准上取得了61.42的高分，在单智能体类别中表现出色，显著优于Kimi-k2-thinking（56.17），仅次于商业系统Gemini DeepResearch（63.69），甚至超过了OpenAI DeepResearch。
值得注意的是，Step-DeepResearch仅有320亿参数，其单次调用的成本不到0.5元人民币，是Gemini和OpenAI等顶级商业系统的十分之一不到。
六个关键评估维度上的性能表现显著。
在人工智能和机器学习、历史分析和技术文档方面的表现优于Kimi Research，基本上与Gemini DeepResearch并列后者的榜首。而且这些结果是在没有特定领域数据增强的情况下实现的。
在创意写作（63.4）中也处于领先地位。
在ADR-Bench的人类评估中，它在与商业智能体系统的对决中展现了卓越的性能，面对Gemini和MiniMax等强大对手，胜平率达到了67.1%。
在金融和法律等专业领域，尽管面临严格的负面评分标准，Step-DeepResearch仍稳居第二梯队，展现了与更大参数模型竞争的专业能力。
这证明了通过精细化的训练方案，中等规模模型也能实现专家级的深度研究能力，成为当前行业中极具成本效益的深度研究智能体模型。
当然，挑战依然存在。工具使用的泛化性、长链条任务中的鲁棒性以及面对高噪声信息时的抗干扰能力，仍是未来需要攻克的难题。
