跳转至

DeepResearcher：真实搜索环境中的长轨迹 RL

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段 内容
论文链接 DeepResearcher：真实搜索环境中的长轨迹 RL（arXiv 2504.03160）
公司 / 机构 HKU / GAIR
首次公开日期 2025-04-04（arXiv v1）
原作者代码 已开源
本地 adapter / 方法键 deepresearcher
本地复现代码 src/auto_research/agent_research/

原始论文总结

背景与主要改动

把 search、browse、证据收集和带引用回答作为一条轨迹，用答案与引用联合奖励训练研究策略。

flowchart LR
 A["公开输入 / 历史"] --> B["deepresearcher 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

DeepResearcher：真实搜索环境中的长轨迹 RL 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ R=R_{answer}+\lambda_cR_{citation}-\lambda_qN_{query},\quad\max_\pi\mathbb E_{\tau\sim\pi}R(\tau). \]

论文离线与线上效果

论文在 GAIA、WebWalkerQA 等 deep-research 任务上超过 prompting 和 SFT 基线。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

PlanBench mini-suite、120 episodes、seed 42：joint success 1.0000，average cost 1.5000；方法特有操作有非零 telemetry。

auto-research agent-eval --method deepresearcher --benchmark planbench-mini --episodes 120 --seed 42
auto-research evolve --model agent --dataset planbench-mini --direction "组合 deepresearcher 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。