OpenSeeker: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data

OpenSeeker est le premier agent de recherche entièrement open-source, entraîné sur un jeu de données synthétiques innovant de 11 700 échantillons, qui atteint des performances de pointe surpassant les agents industriels tout en démocratisant l'accès aux données d'entraînement pour la communauté de recherche.

L'essentiel

🕵️‍♂️ OpenSeeker : Le détective qui apprend à chercher sans secret

Imaginez que vous voulez trouver une information très précise sur Internet, comme "Quelle était la couleur du manteau que portait le président lors de sa visite à Paris en 2010, et combien de temps a-t-il passé à la bibliothèque ?".

Pour un humain, c'est facile : on clique, on lit, on relie les idées. Pour une intelligence artificielle (IA) classique, c'est souvent un cauchemar. Elle a tendance à inventer des réponses (hallucinations) ou à se perdre dans la masse d'informations.

Pendant un an, seuls les géants de la tech (comme Google, OpenAI, Alibaba) ont réussi à créer des IA capables de faire ces recherches complexes. Pourquoi ? Parce qu'ils possédaient un trésor secret : des données d'entraînement de très haute qualité qu'ils ne partageaient avec personne. C'était comme si seuls les chefs d'école avaient les bons manuels, et les autres élèves devaient deviner.

OpenSeeker est le projet d'une équipe universitaire qui a décidé de dire : "Assez de secrets ! Voici comment on fait, et voici le manuel complet pour tout le monde."

🛠️ Comment ont-ils fait ? (Les deux grandes inventions)

Au lieu de simplement donner des questions et des réponses à l'IA, ils ont créé une "usine à problèmes" intelligente avec deux astuces magiques :

1. La "Chasse au Trésor" sur le Web (Synthèse de Questions)

Imaginez que vous voulez apprendre à quelqu'un à résoudre un labyrinthe. Si vous lui donnez un labyrinthe simple, il apprendra vite. Mais pour devenir un expert, il faut un labyrinthe complexe.

• L'astuce : Les chercheurs ont pris le Web comme un immense graphe de liens (des pages reliées entre elles). Ils ont choisi un point de départ au hasard, puis ont suivi les liens pour créer un petit "cluster" d'informations connectées.
• Le tour de magie : Ils ont ensuite créé une question qui oblige l'IA à sauter d'une page à l'autre pour trouver la réponse. Ils ont même caché les noms des personnes ou des lieux (comme dire "l'homme en manteau rouge" au lieu de "Napoléon") pour forcer l'IA à faire des déductions logiques plutôt que de faire une simple recherche Google.
• Le résultat : Ils ont généré 11 700 exercices ultra-difficiles, basés sur la réalité, où l'IA doit faire des liens entre plusieurs pages pour réussir.

2. Le "Filtre à Bruit" (Synthèse de Trajectoires)

Quand une IA cherche sur le web, elle reçoit des tonnes d'informations : des publicités, des menus, du texte inutile. C'est comme essayer d'écouter une conversation dans un concert de heavy metal.

• Le problème : Si on apprend à l'IA avec le "concert" (les données brutes), elle se perd.
• L'astuce : Ils ont utilisé une IA "professeur" très intelligente. Cette professeur a lu les réponses brutes, a résumé l'essentiel, et a dit à l'IA élève : "Voici ce qui est important, ignore le reste."
• Le paradoxe génial : Pendant l'entraînement, l'IA élève a reçu les données brutes (le concert bruyant), mais on lui a demandé de deviner ce que le professeur avait dit (la réponse propre).
• Le résultat : L'IA a appris à ignorer le bruit toute seule. Elle a développé un "sixième sens" pour trouver l'aiguille dans la botte de foin, même quand tout est chaotique.

🏆 Les Résultats : Une victoire académique contre les géants

Le résultat est stupéfiant. L'équipe universitaire a entraîné leur modèle (OpenSeeker) une seule fois, avec seulement 11 700 exemples, en utilisant une méthode simple (appelée SFT).

Et devinez quoi ?

• Sur des tests en chinois, OpenSeeker a battu Tongyi DeepResearch d'Alibaba. Or, Alibaba a utilisé des centaines de milliards de données, des années de calcul et des techniques complexes.
• Sur des tests en anglais, OpenSeeker a surpassé tous les autres modèles "ouverts" (ceux dont le code est public) de taille similaire.

C'est comme si un étudiant en physique, avec un simple cahier d'exercices fait maison, battait un laboratoire de recherche géant équipé de millions de dollars d'équipement, simplement parce qu'il avait les bons exercices.

🌍 Pourquoi c'est important pour nous ?

Avant OpenSeeker, la recherche sur les agents de recherche intelligents était un "club privé". Les meilleurs résultats étaient gardés secrets par les entreprises.

Aujourd'hui, OpenSeeker a ouvert les portes :

1. Données : Ils donnent tout le dataset (les questions, les réponses, et les étapes de réflexion).
2. Modèle : Ils donnent le cerveau de l'IA.
3. Code : Ils donnent la recette pour refaire la même chose.

En résumé : OpenSeeker prouve que vous n'avez pas besoin d'être un géant industriel pour créer une intelligence artificielle de pointe. Vous avez juste besoin de données de haute qualité et d'une méthode intelligente pour les créer. Ils ont démocratisé l'accès à la "recherche profonde", rendant cette technologie accessible à tous les chercheurs, étudiants et passionnés du monde entier.

C'est une victoire pour la transparence et la collaboration ! 🚀

Résumé technique

1. Problématique

L'essor des agents de recherche avancés (capables de naviguer sur le web, de raisonner et d'interagir avec des outils) est actuellement entravé par un monopole des données.

• La "Moat" des données : Les performances de pointe (SOTA) sont dominées par des géants industriels (OpenAI, Google, Alibaba) qui gardent leurs données d'entraînement propriétaires. Les modèles open-source existants manquent soit de données d'entraînement complètes, soit de qualité suffisante pour rivaliser.
• Le manque de transparence : Même lorsque des modèles aux poids ouverts sont publiés, les données d'entraînement (paires question-réponse et trajectoires d'actions) restent souvent secrètes, empêchant la communauté académique de reproduire ou d'améliorer ces systèmes.
• Conséquence : La recherche académique stagne car elle ne dispose pas de données de haute fidélité pour entraîner des agents capables de raisonnement multi-sauts (multi-hop) complexes.

2. Méthodologie

OpenSeeker propose une solution complète, entièrement open-source, reposant sur deux innovations techniques majeures pour synthétiser des données d'entraînement de haute qualité à partir du web.

A. Synthèse de QA (Question-Réponse) ancrée dans les faits, scalable et contrôlable

Cette méthode vise à générer automatiquement des questions complexes nécessitant un raisonnement profond, en évitant les hallucinations.

1. Expansion du graphe web : À partir d'un nœud "graine" aléatoire dans un corpus web massif, le système effectue une expansion topologique pour identifier des clusters d'informations interconnectés.
2. Extraction d'entités : Les informations brutes sont distillées en un "sous-graphe d'entités" structuré, éliminant le bruit textuel tout en conservant les liens logiques.
3. Génération de questions : Un générateur crée une question initiale basée sur la structure du sous-graphe, imposant une contrainte stricte : la réponse ne peut être trouvée qu'en traversant plusieurs arêtes du graphe (raisonnement multi-sauts).
4. Obfuscation (Floutage) : Pour empêcher les agents de contourner le raisonnement par simple recherche de mots-clés, les entités spécifiques sont remplacées par des références vagues ou descriptives. Cela force l'agent à naviguer dans le graphe pour désambiguïser l'information.
5. Vérification par double critère (Rejection Sampling) :
   • Difficulté : Une question est rejetée si un modèle de base peut la répondre sans outils (mémoire paramétrique).
   • Solvabilité : Une question est rejetée si le modèle ne peut pas la résoudre même avec le contexte complet du sous-graphe (garantissant la cohérence logique).

B. Synthèse de trajectoires débruitées (Denoised Trajectory Synthesis)

Cette méthode adresse le problème du "bruit" dans les réponses des outils web (pages HTML brutes, publicités, contenu non pertinent).

• Asymétrie de contexte :
  • Phase de synthèse (Enseignant) : Un LLM "tuteur" génère les trajectoires de raisonnement et d'actions en utilisant un historique débruité. Après chaque appel d'outil, la réponse brute est résumée par un second LLM avant d'être ajoutée à l'historique pour le prochain tour. Cela permet au tuteur de se concentrer sur la logique pure.
  • Phase d'entraînement (Étudiant) : Le modèle final est entraîné à prédire ces mêmes actions expertes, mais en utilisant l'historique brut et non filtré (avec tout le bruit original).
• Objectif : Cette approche force le modèle à apprendre intrinsèquement à extraire les signaux essentiels et à ignorer le bruit, développant ainsi une robustesse supérieure face aux données web réelles.

3. Contributions Clés

1. OpenSeeker : Le premier agent de recherche entièrement open-source (modèle + données) atteignant des performances de niveau frontière.
2. Pipeline de synthèse de données : Introduction de deux techniques novatrices (QA ancrée dans les faits et synthèse de trajectoires débruitées) permettant de générer des données d'entraînement complexes et fiables à grande échelle.
3. Libération complète : Publication du jeu de données complet (11,7k échantillons synthétisés, incluant paires QA et trajectoires détaillées), du code et des poids du modèle (OpenSeeker-v1-30B-SFT).
4. Démocratisation : Démonstration qu'une équipe purement académique peut rivaliser avec les efforts industriels grâce à une synthèse de données stratégique, brisant le monopole des données corporatives.

4. Résultats Expérimentaux

Le modèle OpenSeeker a été entraîné uniquement par SFT (Supervised Fine-Tuning) sur un seul passage, sans pré-entraînement continu ni RL (Reinforcement Learning), sur la base de 11,7k échantillons synthétisés.

• Performance globale : Il atteint des performances SOTA parmi les agents open-source et rivalise avec des modèles propriétaires.
• Comparaisons spécifiques :
  • BrowseComp-ZH (Chinois) : OpenSeeker obtient 48,4 %, surpassant Tongyi DeepResearch (46,7 %), un modèle industriel entraîné avec CPT, SFT et RL.
  • BrowseComp (Anglais) : Score de 29,5 %, dépassant largement le deuxième meilleur agent open-source (DeepDive à 15,3 %).
  • xbench-DeepSearch : Score de 74,0 %.
  • WideSearch : Score de 59,4 % (F1).
• Efficacité des données : Malgré un volume de données inférieur ou comparable à d'autres projets open-source (ex: WebSailor, MiroThinker), OpenSeeker surpasse systématiquement ces modèles, prouvant la haute qualité et la densité d'information de ses données synthétisées.
• Complexité des données : Les données synthétisées en chinois montrent une complexité supérieure aux benchmarks standards (moyenne de 46,35 appels d'outils par trajectoire contre 26,98 pour le benchmark), ce qui explique la forte performance sur les tâches difficiles.

5. Signification et Impact

• Rupture du monopole des données : OpenSeeker démontre que la barrière à l'entrée pour les agents de recherche avancés n'est pas seulement la puissance de calcul, mais l'accès à des données d'entraînement de haute qualité. En rendant ces données publiques, le projet permet à la communauté académique de participer activement à l'innovation.
• Transparence et Reproductibilité : Contrairement aux "boîtes noires" industrielles, OpenSeeker offre une transparence totale sur la méthode de génération des données et sur les trajectoires d'apprentissage.
• Avenir de la recherche : Ce travail établit un nouveau standard pour le développement d'agents autonomes, suggérant que des stratégies de synthèse de données intelligentes peuvent combler l'écart de performance avec les efforts industriels massifs, favorisant un écosystème de recherche plus collaboratif et sain.