通义DeepResearch是首个性能媲美OpenAI DeepResearch的全开源网络智能体，在多项基准测试中表现优异，包括学术推理、复杂信息检索等任务。该项目不仅开源了先进模型，还分享了完整的训练方法，涵盖从预训练到微调的全流程创新数据合成方案。

通义深度研究：开启开源AI研究新纪元

阿里巴巴NLP团队正式发布通义深度研究（Tongyi DeepResearch），这是首个在综合基准测试中达到与OpenAI DeepResearch同等性能的全开源网络智能体。该系统在学术推理任务"人类终极考试"(HLE)获得32.9分，在复杂信息检索任务BrowseComp中取得43.4分（中文版46.7分），在用户导向的xbench-DeepSearch基准测试中斩获75分，全面超越现有专有和开源研究型智能体。

技术突破亮点： 1. 全合成数据训练体系：创新性地构建了从持续预训练(CPT)、监督微调(SFT)到强化学习(RL)的完整训练管线。通过AgentFounder系统实现数据重组与问题构建，基于实体锚定的开放世界知识记忆库生成多风格QA对，并开发高阶动作合成方法探索离线环境中的推理-行动空间。

2. 双重推理模式：

   • 原生ReAct模式：严格遵循"思考-行动-观察"循环，在128K上下文窗口内展现强大基础能力
   • 重型模式(Heavy Mode)：采用创新的IterResearch范式，通过动态重构工作空间解决"认知窒息"问题，支持研究-合成框架实现并行探索

3. 强化学习创新：采用定制化的组相对策略优化(GRPO)算法，配合模拟训练环境、稳定工具沙箱和自动数据管理三大基础设施，构建端到端的智能体训练闭环。

实际应用成果： - 高德Mate：与高德地图团队合作开发的AI导航助手"小高"，可执行多日自驾游规划等复杂指令 - 通义法睿：具备类初级律师工作流的法律研究智能体，能自主完成案例检索与法律条文交叉引用

技术局限与展望： 当前128K上下文窗口对超长程任务仍显不足，未来将探索扩展上下文管理和大规模模型验证。团队持续保持技术迭代，近半年已发布11篇技术报告，本次同步开源30B混合专家模型。

相关资源： GitHub | HuggingFace | ModelScope

（注：原文中大量技术细节和图表说明已浓缩为关键创新点，删减了部分算法实现细节和重复性数据说明，保留了核心方法论和实际应用案例。）

这篇评论主要围绕以下几个观点展开：

1. 关于模型发布时效性的质疑

• "This is over a month old, they released the weights a long time ago."（这已经是一个多月前的事了，他们早就发布了权重）
• "It's a Qwen 3 MoE fine tune..."（这是Qwen 3混合专家的微调版本）

2. 对OpenAI研究方法和模型细节的疑问

• 质疑是否明确说明了使用的具体模型："they never expand on what exact models they've used"
• 指出不同模型会产生不同响应："you'll get different responses depending on what specific model you use"

3. 关于本地部署模型的讨论

• 表达对自托管模型的兴趣："I'd love to load this up on the old 2080ti"
• 强调在有限硬件条件下运行的乐趣："Constraints are the fun part here"

4. 对专业模型发展趋势的思考

• 提出是否会出现专门训练的小模型："if we'll see an explosion of purpose trained LLMs"
• 指出大模型可能牺牲某些专项能力："GPT 3.5 was awesome at chess and current models don't seem trained extensively on chess"

5. 对OpenAI竞争地位的看法

• 认为OpenAI缺乏护城河："OpenAI has zero moat"
• 指出市场竞争激烈："5 paid competitors + open source models"

6. 其他技术性评论

• 批评网页排版问题："use of word-break: break-word; makes this really hard to read"
• 对翻译准确性的调侃："I hope the translation for this is actually 'Agree'"