Marco DeepResearch: Unlocking Efficient Deep Research Agents via Verification-Centric Design
本文提出了 Marco DeepResearch，这是一种通过引入以验证为核心的框架设计（涵盖 QA 数据合成、轨迹构建及测试时扩展三个层面）来显著优化长程复杂任务表现，并在 600 次工具调用预算下性能超越或接近更大规模（30B）模型的深度研究智能体。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
🕵️♂️ Marco DeepResearch：让"8 亿参数”的小侦探，干翻"300 亿参数”的超级专家
想象一下，你有一个小侦探（8B 模型）和一个超级专家（30B 模型）。通常，小侦探因为脑子小、经验少，遇到复杂的案件（比如要在互联网上翻遍几千个网页找答案）时，很容易晕头转向，或者被假线索带偏。
但阿里巴巴的这篇论文介绍了一个叫 Marco DeepResearch 的新侦探。它虽然只有 8 亿参数（个头小），却通过一套"以验证为核心"的独门秘籍，在解决复杂搜索任务时，不仅吊打了其他小侦探，甚至能跟那些 300 亿参数的超级专家掰手腕，甚至超越它们！
它是怎么做到的？我们把它拆解成三个“超能力”来聊聊：
🎓 第一招：严师出高徒——“验证式”特训教材
（Verified Data Synthesis）
- 老问题：以前训练 AI 侦探，就像给学生发试卷。很多试卷是机器自动生成的，结果题目出得模棱两可，或者答案不唯一（比如问“谁拿了冠军”，结果有两个人并列，机器却只标了一个）。学生拿着这种烂试卷练，越练越糊涂，甚至学会了“瞎蒙”。
- Marco 的解法：
- 出题前先“验题”：在生成题目时，Marco 引入了一个“魔鬼考官”（验证机制）。它不仅要出题，还要扮演“找茬者”（Attacker），拼命尝试用其他答案来反驳这道题。
- 只有“铁证如山”的题目才过关：如果考官发现这道题有歧义，或者能轻易通过搜索捷径找到答案，这道题就直接作废。
- 效果：就像给侦探发了一套经过千锤百炼、答案唯一且极具挑战性的“真题集”。侦探练的都是真功夫，不再被假线索带偏。
🧩 第二招：边做边查——“带纠错”的办案流程
（Verification-Driven Trajectory Construction）
- 老问题：以前的侦探办案（生成推理过程）是“一条道走到黑”。比如它先搜了个网页，觉得答案差不多，就赶紧写结论。结果第一步就错了，后面越错越远，最后得出一个荒谬的结论，而且它自己还意识不到。
- Marco 的解法：
- 引入“复核员”：Marco 在训练时，让侦探在每一步推理后，都要停下来，请一位独立的“复核员”（Verifier Agent）用搜索引擎去验证刚才的结论对不对。
- 错了就重来：如果复核员说“不对”，侦探就得把刚才那步推翻，重新搜、重新想。
- 效果：这就像侦探在办案时，每走一步都要回头确认脚印。虽然慢了一点，但保证了每一步都扎实。它学会了“不要急着下结论，先验证再行动”。
🔍 第三招：死磕到底——“无限次重试”的考试策略
（Verifier-Guided Test-Time Scaling）
- 老问题：考试时，如果时间到了（工具调用次数限制），很多侦探就算没想明白，也会硬着头皮交卷，哪怕答案全是错的。
- Marco 的解法：
- 智能“弃子”策略：如果侦探发现自己在某条思路上钻了牛角尖（比如搜了 10 次还是没结果，或者逻辑乱了），它会果断清空所有笔记，重新开始（Discard All），换一条路走。
- 自我“阅卷”：在最终交卷前，它会把自己生成的几个备选答案，再拿出来互相“打架”（验证），选出最靠谱的那个。
- 效果：这就像考试时，只要没到截止时间，我就不断尝试新解法，直到找到正确答案为止。它不再盲目地“刷”次数，而是聪明地“验证”次数。
🏆 战绩如何？
这套“验证三件套”让 Marco DeepResearch 发生了质变：
- 小身材，大能量：作为一个8B（80 亿参数）的小模型，它在 BrowseComp（一个很难的网页搜索测试）和 BrowseComp-ZH（中文版）等硬核榜单上，吊打了所有同体量的其他开源模型。
- 越级挑战：更惊人的是，在限制最多调用 600 次搜索工具的情况下，它的表现超过了甚至追平了几个30B（300 亿参数）的超级大模型（比如通义 DeepResearch-30B）。
- 省钱又高效：这意味着我们不需要花巨资训练巨大的模型，只要把“验证”和“纠错”的方法用对，小模型也能干大活。
💡 总结
这篇论文的核心思想很简单：与其盲目地让 AI 变“大”、变“快”，不如让它变“稳”、变“准”。
通过严格筛选教材、强制中间检查、智能重试机制，Marco DeepResearch 证明了：在解决复杂问题时，“验证”比“猜测”更重要。它让一个小侦探学会了像老刑警一样思考，最终实现了“四两拨千斤”的效果。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。