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

この論文は、ウェブグラフの逆エンジニアリングとノイズ除去された軌跡合成という 2 つの技術革新により、わずか 1 万 1700 件の合成データで最先端の検索エージェント性能を達成し、モデルとデータセットを完全オープンソース化して研究の民主化を図る「OpenSeeker」を提案しています。

要約

OpenSeeker：インターネットの「探偵」を誰でも作れるようにした画期的な研究

こんにちは！今日は、上海交通大学の研究者チームが発表した**「OpenSeeker（オープンシーカー）」**というすごいプロジェクトについて、難しい専門用語を使わずに、わかりやすくお話しします。

🕵️‍♂️ 背景：なぜ「探偵」は会社だけのものだった？

みなさん、インターネットで「あの映画の撮影地はどこ？」「このニュースの裏側は？」といった、深く掘り下げる必要がある質問をしたことがありますか？

最近の AI（大規模言語モデル）は、ただ本を読むだけでなく、インターネットを自分で検索して答えを見つける「検索エージェント」という能力を持ってきました。しかし、「本当に賢い検索エージェント」を作るには、莫大なデータと計算資源が必要で、これまで Google や OpenAI といった巨大企業しか作れませんでした。

まるで**「最高級の探偵事務所」が、一流企業しか持っていない「極秘の事件ファイル（学習データ）」**を持っているような状態でした。大学などの研究者は、「探偵」の頭脳（モデル）は公開されても、その「事件ファイル」は見せてもらえないため、同じように賢い AI を作れずに困っていました。

🌟 OpenSeeker の登場：「極秘ファイル」を全員に公開！

そこで登場したのが、この論文の主人公**「OpenSeeker」**です。

これは、「探偵の頭脳」だけでなく、その「極秘の事件ファイル（学習データ）」まで、すべて無料で公開してしまった画期的なプロジェクトです。しかも、これは巨大企業ではなく、純粋な大学の研究チームが作りました。

彼らは、「データがないからできない」という壁を壊すために、2 つの魔法のような技術を開発しました。

---

🔮 魔法その 1：「迷路」を自動で作る技術

（事実に基づく、制御可能な QA 合成）

普通の AI は、インターネットで「A は B です」という事実をそのまま探せばいいだけですが、OpenSeeker は**「A から C を探すには、いったん B を経由して、さらに D を調べる必要がある」**といった、複雑な迷路を自動で作ります。

• イメージ：
  普通の検索は「地図を見て、一番近い公園を探す」ようなもの。
  OpenSeeker が作るデータは、**「宝の地図」**です。

  1. 宝（答え）がある場所をまず決めます。
  2. その場所へ行くには、A の町から B の村、そして C の山を越える必要がある、という**「ルート（論理）」**を設計します。
  3. さらに、「A の町」を「赤い屋根の家がある場所」といった曖昧な表現に変換します（これを「隠蔽」と呼びます）。

  これにより、AI は「赤い屋根の家」を探し出し、それが「A の町」だと気づき、そこから次のヒントへ進むという、**人間のような「推理力」**を強制的に鍛えさせます。しかも、この迷路はインターネットの実際のつながり（トポロジー）に基づいているので、嘘（ハルシネーション）がほとんどありません。

🧹 魔法その 2：「ノイズ」を消して教える技術

（ノイズ除去された軌跡合成）

インターネットを検索すると、大量の広告や関係ない情報が混ざり、**「雑音」**だらけになります。これをそのまま AI に見せると、AI は混乱してしまいます。

OpenSeeker は、「先生（教師 AI）」と「生徒（学習する AI）」で役割を分けるという巧妙な方法を使います。

• 先生（データ生成時）：
  過去の検索結果を**「要約してきれいに整理した状態」**で見て、最高の答え方をします。「雑音」がないので、先生は完璧な推理ができます。

• 生徒（学習時）：
  生徒には、**「雑音だらけの元の検索結果」**を見せます。

  ここがミソ！
  生徒は、「先生がきれいな要約を見て正解を出した」という正解の答えを、**「雑音だらけの状態」**から導き出すように訓練されます。

  イメージ：
  先生が「静かな図書館」で完璧な推理をするのを見て、生徒は「騒がしい居酒屋」で同じ推理を練習させられます。
  これを繰り返すことで、生徒 AI は**「騒がしい情報の中から、本当に必要なヒントだけを見抜く力」**を身につけるのです。

---

🏆 結果：小さなデータで、巨人を打ち破る！

OpenSeeker は、たった1 万 1700 個のデータ（合成された迷路と推理プロセス）だけで学習させました。

• 結果：
  • 中国語の検索テスト（BrowseComp-ZH）では、アリババの「通義深度研究（Tongyi DeepResearch）」という、莫大なデータと複雑な訓練を積んだ超高性能 AI を見事に凌駕しました（48.4 点 vs 46.7 点）。
  • 英語のテストでも、他のオープンソースの AI を大きく引き離しました。

「少ないデータで、なぜ勝てたのか？」
それは、データの**「質」が圧倒的に高かったからです。巨大企業が「量」で押すのに対し、OpenSeeker は「質の高い迷路」と「雑音に負けない訓練」で、「少ないけれど、本質を突いたデータ」**で勝利しました。

🚀 まとめ：これからの AI 研究はどうなる？

OpenSeeker の最大の功績は、**「検索 AI の開発を、一部の企業の独占から、誰でも参加できるオープンな世界に変えた」**ことです。

• 以前： 「データがないから、私には賢い AI は作れない」と研究者が諦めていた。
• 今： 「データと作り方が全部公開されたから、誰でも最高の検索 AI を作れる！」

これは、「探偵の極秘ファイル」を図書館に並べて、誰でも自由にコピーして勉強できるようにしたようなものです。

この研究は、**「戦略的に作られた高品質なデータ」**があれば、巨大企業でなくても最先端の AI を作れることを証明しました。今後は、このデータを使って世界中の研究者が新しいアイデアを試し、より賢く、透明性のある AI 時代が来るかもしれません。

「OpenSeeker」は、AI 開発の民主化（みんなのものにする運動）の大きな一歩なのです！

技術概要

OpenSeeker: 完全オープンソース化による最先端検索エージェントの民主化

技術的サマリー（日本語）

本論文は、上海交通大学の学術チームによって提案されたOpenSeekerについて述べています。これは、最先端（Frontier）レベルのパフォーマンスを達成する検索エージェントにおいて、モデルとトレーニングデータの両方を完全オープンソース化した初の試みです。産業界による高品質データの独占という課題に対し、学術界が独自に合成した高忠実度のデータを用いて、大規模企業に匹敵する性能を実現しました。

以下に、問題定義、手法、主要な貢献、結果、そして意義について詳細をまとめます。

---

1. 背景と課題 (Problem)

• 検索エージェントの重要性: 現代の意思決定において、インターネットから正確でリアルタイムな情報を検索する能力は、最先端の LLM エージェントにとって不可欠なスキルとなっています。
• データ不足と「クローズドドア」化: 高性能な検索エージェントの開発は、Google や OpenAI などの巨大企業が支配しており、彼らはトレーニングデータを非公開にしています。既存のオープンソースモデルは、モデルのみを公開しデータを提供しない、あるいはデータの一部しか公開しない、あるいは性能が十分でないという状況にありました。
• 研究コミュニティの停滞: 高品質で透明性のあるトレーニングデータの欠如が、オープンソースコミュニティにおける検索エージェントの研究と革新を阻害していました。

2. 手法 (Methodology)

OpenSeeker は、2 つの中核的な技術革新により、高品質なトレーニングデータを自動生成するパイプラインを構築しました。

A. 事実に基づくスケーラブルで制御可能な QA 合成 (Fact-grounded Scalable Controllable QA Synthesis)

単純な検索タスクではなく、複雑な多段推論（Multi-hop reasoning）を要求する質問を生成するための手法です。

1. グラフ展開 (Graph Expansion): 大規模なウェブコーパスからランダムに選択したシードページから出発し、トポロジー的に拡張して関連する情報クラスター（サブグラフ）を特定します。
2. エンティティ抽出 (Entity Extraction): サブグラフ内の情報を凝縮し、構造化された「エンティティサブグラフ」を生成します。
3. 質問生成 (Question Generation): この構造に基づき、複数のエッジを横断する必要があるような質問を生成します。
4. エンティティの曖昧化 (Entity Obfuscation): 具体的なエンティティを曖昧な記述に置き換えることで、エージェントがキーワード検索でショートカットすることを防ぎ、深いグラフ探索を強制します。
5. 二重基準による検証 (Dual-Criteria Verification):
   • 難易度: ベースラインモデルが外部ツールなしで正解できないか確認。
   • 解決可能性: 正解の文脈（オラクル）を与えた際に正解できるか確認。
     これにより、論理的に整合性があり、かつ外部ツールを必須とする高品質な QA ペアを生成します。

B. ノイズ除去された軌道合成 (Denoised Trajectory Synthesis)

ウェブ検索における大量のノイズ（無関係な情報）に対処し、高品質な推論経路を生成する手法です。

• 非対称なコンテキスト設計:
  • 教師モデル（合成時）: 過去のツール応答を要約（サマライズ）してノイズを除去した「クリーンな履歴」に基づいて、最適な推論とアクションを生成します。
  • 生徒モデル（学習時）: 元の「生（Raw）」でノイズの多い履歴に基づき、教師モデルが生成した正解の推論・アクションを予測するように学習します。
• 効果: この非対称な構造により、エージェントは生データから本質的な情報を抽出し、ノイズを除去する能力を内在化（Internalize）することを強制されます。

3. 主要な貢献 (Key Contributions)

1. 技術的革新: 事実に基づく QA 合成とノイズ除去軌道合成という 2 つの手法を提案し、最先端レベルのトレーニングデータを自動生成可能にしました。
2. OpenSeeker の開発と公開: 最先端の検索ベンチマークで SOTA（State-of-the-Art）性能を達成する検索エージェントを開発し、モデル重みだけでなく、QA ペア、完全な軌道（Trajectory）、合成パイプライン全体を完全にオープンソース化しました。
3. 学術チームによる SOTA 達成: 産業界の巨大リソースに依存せず、純粋な学術チームが単一のトレーニング実行（SFT のみ）で、大規模企業のモデルに匹敵、あるいは凌駕する性能を達成した初の事例です。

4. 実験結果 (Results)

OpenSeeker は、Qwen3-30B-A3B をベースに、11.7k 個の合成サンプルのみで単一の SFT（教師あり微調整）を実行してトレーニングされました。

• ベンチマーク性能:
  • BrowseComp-ZH (中国語): 48.4 点。アリババの「Tongyi DeepResearch」（CPT+SFT+RL を併用）の 46.7 点を上回り、産業系モデルを凌駕しました。
  • BrowseComp (英語): 29.5 点。オープンソースエージェントの 2 位（DeepDive-32B: 15.3 点）を大幅に上回りました。
  • xbench-DeepSearch: 74.0 点。
  • WideSearch: 59.4 点。
• データ効率: 11.7k サンプルという少量のデータでありながら、14.7k サンプルの MiroThinker や、15k サンプルの WebLeaper などの他のオープンソースデータセットよりも高い性能を示しました。これは、データの「量」よりも「質」が重要であることを証明しています。
• トレーニングの効率: 複雑な RL（強化学習）や継続的事前学習（CPT）を一切使用せず、単純な SFT のみで達成された点が特筆されます。

5. 意義と将来性 (Significance)

• データ独占の打破: 高品質なトレーニングデータが産業界の「城壁（Moat）」となっていた状況に対し、OpenSeeker はその壁を崩し、学術界や一般の開発者が最先端の検索エージェント研究に参加できる基盤を提供しました。
• 透明性と再現性: 完全なデータとコードの公開により、研究の透明性が向上し、コミュニティ全体での協力的な発展を促進します。
• 今後の展望: 現在の結果は単一のトレーニング実行による下限値であり、データ分布の最適化やより複雑なタスクへの拡張など、さらなる性能向上の余地が大きいことが示唆されています。

結論:
OpenSeeker は、戦略的なデータ合成が産業規模の努力との性能格差を埋めることができることを実証し、検索エージェント研究の民主化と、よりオープンで協力的なエコシステムの構築に寄与する画期的な成果です。