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

OpenSeeker 通过引入基于事实的可控问答合成与去噪轨迹合成两项核心技术，仅利用 1.17 万条合成数据训练出首个在多个基准测试中达到甚至超越工业界水平的全开源前沿搜索智能体，并公开了全部训练数据与模型权重以推动该领域的民主化发展。

要点

这篇论文介绍了一个名为 OpenSeeker 的项目，它的核心目标非常宏大：把原本被科技巨头垄断的“超级搜索能力”，变成每个人都能免费使用的开源技术。

为了让你更容易理解，我们可以把“搜索智能体（Search Agent）”想象成一个超级侦探，而这篇论文就是关于如何训练出这个侦探的“独家秘籍”。

以下是用通俗易懂的比喻和语言对这篇论文的解读：

1. 背景：侦探界的“黑箱”与“数据饥荒”

• 现状：现在的互联网信息浩如烟海，普通的搜索引擎（像百度、谷歌）只能给你一堆链接，让你自己翻。而“超级侦探”（AI 搜索智能体）能像人一样，主动去网页里点来点去，把碎片信息拼凑成完整答案。
• 问题：目前，只有像 OpenAI、Google、阿里（通义千问）这样的科技巨头能造出这种“超级侦探”。为什么？因为他们手里有绝密的训练数据。
  • 这就好比：巨头们有一本**“绝世武功秘籍”**（高质量训练数据），他们只教自己的徒弟（闭源模型），却不告诉外人秘籍里写了什么。
  • 学术界和其他小团队想练成神功，却只能拿到一些残缺的、质量差的“残卷”，导致练出来的侦探要么太笨，要么根本不会思考。

2. 解决方案：OpenSeeker 的“开源秘籍”

OpenSeeker 是由上海交通大学的一个纯学术团队开发的。他们做了一件破天荒的事：不仅把训练好的“超级侦探”模型开源了，连最核心的“训练数据”和“生成方法”也全部公开了。

他们用了两个核心“魔法”来制造高质量数据：

魔法一：基于事实的“迷宫生成器” (Fact-grounded QA Synthesis)

• 传统做法：以前的 AI 训练数据，很多是 AI 自己瞎编的，或者只是简单的“问 - 答”配对。这就像让侦探做“填空题”，太简单了，学不到真本事。
• OpenSeeker 的做法：
  • 比喻：想象你要训练侦探找宝藏。巨头们是直接把宝藏藏好，然后给侦探一张地图。而 OpenSeeker 是先随机在巨大的互联网迷宫里选一个起点，然后像蜘蛛织网一样，把周围相关的网页连成一张复杂的“关系网”。
  • 操作：
    1. 拓扑扩张：从一个网页出发，顺着链接找到一堆相关网页，形成一个“信息孤岛”。
    2. 实体伪装：把里面具体的名字（比如“张三”）模糊化处理（变成“某位著名的科学家”），迫使侦探不能直接搜名字，必须通过推理（比如“这位科学家和谁一起获奖了？”）才能找到答案。
  • 结果：生成的题目必须经过多次跳转、推理才能解开。这就像给侦探布置了一个必须走很多步才能解开的复杂迷宫，而不是简单的“直线跑”。

魔法二：去噪的“记忆提炼术” (Denoised Trajectory Synthesis)

• 痛点：在互联网上搜索，网页里充满了广告、弹窗、无关的废话（噪音）。如果让 AI 直接读这些乱糟糟的网页，它很容易走神或犯错。
• OpenSeeker 的做法：
  • 比喻：想象侦探在办案时，助手（Teacher AI）会先帮他把刚才看到的几千字的杂乱网页，提炼成几行字的“核心情报摘要”。
  • 独特的“不对称训练”：
    • 教的时候（生成阶段）：助手给侦探看“摘要”，让侦探在干净的环境里学会如何做出正确的推理和下一步动作。
    • 练的时候（训练阶段）：把“摘要”拿走，只给侦探看原始、杂乱、充满噪音的网页，让他去预测刚才那个“正确动作”。
  • 结果：这就像让侦探在嘈杂的菜市场里，学会如何听清远处那个微弱的求救声。经过这种训练，侦探就拥有了“去伪存真”的超能力，能在乱糟糟的互联网里精准抓取关键信息。

3. 战绩：小数据，大爆发

• 数据量：OpenSeeker 只用了 1.17 万 条精心合成的数据（相比之下，很多模型用几十万条甚至上百万条）。
• 训练方式：只用了一种最基础的方法叫“监督微调”（SFT），没有搞那些复杂的强化学习（RL）或持续预训练。
• 成绩：
  • 在中文搜索测试（BrowseComp-ZH）中，它打败了阿里通义千问的 DeepResearch 版本（48.4 分 vs 46.7 分）。要知道，阿里的模型是用“大锅炖”（海量数据 + 复杂训练）练出来的，而 OpenSeeker 是“精炖”（少量高质量数据）。
  • 在多个国际基准测试中，它都跑赢了其他开源模型，甚至接近或超越了某些闭源的巨头模型。

4. 核心意义：打破垄断，人人皆可“侦探”

这篇论文最大的贡献不在于模型本身有多强，而在于它打破了“数据垄断”。

• 以前：只有大公司有钱、有数据，才能训练出聪明的搜索 AI。学术界只能看着干瞪眼。
• 现在：OpenSeeker 把“如何制造高质量数据”的配方（Recipe）和食材（数据）全部免费公开了。
  • 这就好比：以前只有皇宫里有做“满汉全席”的厨师，现在他们把菜谱和顶级食材都发到了网上。
  • 任何大学、小团队甚至个人，只要拿到这些数据，就能训练出同样聪明的搜索 AI。

总结

OpenSeeker 就像是一个开源界的“造梦者”。它证明了：你不需要拥有整个互联网的数据，也不需要像巨头那样烧钱，只要数据质量够高、方法够巧妙，就能训练出世界顶级的搜索 AI。

它把原本高高在上的“超级搜索能力”，从科技巨头的保险柜里拿出来，放在了全人类的桌面上，让未来的 AI 研究变得更加透明、公平和充满希望。

技术摘要

OpenSeeker 技术总结：通过完全开源数据实现前沿搜索智能体

1. 研究背景与问题 (Problem)

在信息爆炸时代，从互联网获取准确、实时信息的能力已成为大型语言模型（LLM）智能体的核心技能。然而，高性能搜索智能体的开发长期被工业巨头（如 OpenAI、Google、阿里等）垄断，形成了一个“闭门游戏”。

• 核心痛点：现有的开源搜索智能体研究面临高质量训练数据匮乏的困境。工业界模型通常只开源权重而不公开数据，或者仅公开部分数据，导致学术界无法复现或超越其性能。
• 现有局限：现有的开源工作要么缺乏数据，要么数据质量低（缺乏复杂的多跳推理），要么性能无法与工业界模型竞争。这种“数据护城河”严重阻碍了开源社区在搜索智能体领域的创新。

2. 核心方法论 (Methodology)

OpenSeeker 由上海交通大学团队提出，旨在通过完全开源（包括模型权重、训练数据和合成方案）来打破这一垄断。其核心在于两个技术创新，用于自动化生成高质量、可控制的前沿级训练数据：

2.1 基于事实的可扩展可控问答合成 (Fact-grounded Scalable Controllable QA Synthesis)

该方法旨在生成需要深度多跳推理的复杂问题，而非简单的检索任务。流程如下：

1. 图扩展 (Graph Expansion)：从大规模网络语料中随机采样种子页面，通过拓扑扩展构建包含互联信息簇的局部子图。
2. 实体提取 (Entity Extraction)：从子图中提炼关键实体，构建结构化的“实体子图”，去除文本噪声，保留逻辑路径。
3. 问题生成 (Question Generation)：基于实体子图结构生成初始问题，强制要求模型遍历多个节点进行推理。
4. 实体模糊化 (Entity Obfuscation)：将具体的实体替换为模糊的描述性引用，迫使智能体进行多步导航和消歧，而非直接通过关键词搜索获取答案。
5. 双重验证 (Dual-Criteria Verification)：
   • 难度验证：确保基础模型在无工具（闭卷）情况下无法回答。
   • 可解性验证：确保在提供完整实体子图（神谕设置）时，模型能推导出正确答案，保证逻辑一致性。

2.2 去噪轨迹合成 (Denoised Trajectory Synthesis)

针对网页搜索中原始观察（Observation）包含大量噪声的问题，提出了一种非对称上下文训练策略：

• 合成阶段 (Teacher)：使用去噪后的上下文。在生成专家级推理轨迹时，利用回顾性总结机制（Retrospective Summarization），将历史工具响应压缩为摘要，仅保留最新一步的原始响应。这为教师模型提供了清晰的上下文，使其能生成高质量的推理和动作。
• 训练阶段 (Student)：使用原始噪声上下文。在训练学生模型时，移除摘要，直接使用包含噪声的原始工具响应历史。
• 目的：这种不对称性迫使模型学习从原始噪声中提取关键信息（“去噪”）的能力，从而在真实环境中具备鲁棒性。

3. 关键贡献 (Key Contributions)

1. 首个完全开源的前沿级搜索智能体：OpenSeeker 是首个由纯学术团队开发，在前沿搜索基准上达到 SOTA 性能，且完全开源（模型、数据、合成方案）的项目。
2. 两大技术创新：提出了“基于事实的可控 QA 合成”和“去噪轨迹合成”方法，实现了高质量训练数据的自动化生成。
3. 数据与模型开源：
   • 开源了完整的合成方案。
   • 开源了最终训练数据集（11.7k 样本，含 10.3k 英文和 1.4k 中文，包含 QA 对及完整轨迹）。
   • 开源了基于 Qwen3-30B 微调的模型权重。

4. 实验结果 (Results)

OpenSeeker 仅在单次训练运行（Single Training Run）中，使用简单的监督微调 (SFT)，未进行超参数优化或启发式过滤，即取得了惊人成绩：

• 基准测试表现：
  • BrowseComp-ZH (中文)：得分 48.4，超越了阿里通义 DeepResearch (46.7，使用了 CPT+SFT+RL 复杂流程) 和 DeepDive (29.7)。
  • BrowseComp (英文)：得分 29.5，显著优于第二好的开源智能体 DeepDive (15.3)。
  • xbench-DeepSearch：得分 74.0，表现优异。
  • WideSearch：得分 59.4。
• 数据效率：仅使用 11.7k 合成样本，在同等规模（~30B 参数）的 SFT 模型中，性能全面超越其他开源模型（如 WebSailor, MiroThinker 等），证明了其数据的高质量和合成方法的有效性。
• 难度分析：生成的中文数据在平均工具调用次数（46.35 vs 26.98）和 Token 长度（76.1k vs 15.1k）上均显著高于现有基准，证明了其训练数据的挑战性。

5. 意义与影响 (Significance)

• 打破数据垄断：OpenSeeker 证明了通过战略性的数据合成，学术团队可以弥补与工业界在资源上的差距，打破了工业界对高质量搜索数据的长期垄断。
• 推动开源生态：通过完全透明地公开数据和合成逻辑，OpenSeeker 为研究社区提供了可复现、可改进的“配方”，促进了搜索智能体领域的开放、协作和健康发展。
• 方法论启示：展示了“数据质量”优于“数据数量”和“复杂训练流程”（如 RL）的重要性。简单的 SFT 配合高质量的去噪和可控合成数据，即可达到甚至超越复杂工业流程的效果。

总结：OpenSeeker 不仅是一个高性能的搜索智能体，更是一次对搜索智能体研发范式的革新。它通过完全开源和高质量的数据合成技术，将前沿搜索能力从“黑盒”带入“白盒”，极大地降低了研究门槛，为未来自主智能体的发展奠定了透明、协作的基础。