OpenSeeker-v2：以高质量高难度轨迹推动搜索Agent极限 —— 仅用SFT超越工业级CPT+SFT+RL训练管线

本文深度解读上海交通大学纯学术团队的最新工作 OpenSeeker-v2——一个仅用 10.6K 高质量 SFT 轨迹通过单次 SFT 训练即取得 BrowseComp 46.0%、BrowseComp-ZH 58.1%、Humanity's Last Exam（HLE）34.6%、xbench 78.0% 的 SOTA 性能，全面超越通义 DeepResearch（CPT+SFT+RL）和 RedSearcher（CPT+SFT+RL）的搜索 Agent。它是首个在 ~30B 模型规模和 ReAct 范式下由纯学术团队仅用 SFT实现的最先进搜索 Agent，完全开源模型权重。

• 核心发现：当 SFT 数据具备足够的高难度和信息丰富度时，简单 SFT 可训练出超越复杂 CPT+SFT+RL 重型工业管线的搜索 Agent —— 数据质量 > 训练复杂度
• 三项数据合成改进：(1) 扩大知识图谱规模 \(K > k\) 以注入更丰富的探索空间，(2) 扩展工具集 \(\mathcal{A}\) 以增强功能覆盖广度，(3) 严格低步数过滤 \(T(\tau) \geq T_{\min}\) 以确保最低难度底线
• SOTA 性能：仅 10.6K 样本，BrowseComp 46.0%（vs 通义 43.4%）、BC-ZH 58.1%（vs 通义 46.7%，领先 11.4pp）、HLE 34.6%、xbench 78.0%
• 数据难度碾压：OpenSeeker-v2 平均每轨迹 64.67 步工具调用，远超 v1 的 46.97 步和 RedSearcher 的 36.01 步
• v1→v2 巨大跃迁：BrowseComp 29.5→46.0（+56%），BC-ZH 48.4→58.1（+20%），xbench 74.0→78.0 —— 框架远未饱和
• 超越更大模型：亦超越 DeepSeek-V3.1-671B、GLM-4.6-357B、Minimax-M2-230B、Claude-4.5-Sonnet，证明数据质量可弥补参数规模差距

Motivation：搜索 Agent 的「闭门游戏」与重型训练管线困境

背景：深度搜索成为前沿 LLM Agent 的必备能力

在信息爆炸的时代，深度搜索（Deep Search）能力已成为前沿大语言模型 Agent 不可或缺的核心竞争力。截至 2026 年，包括 OpenAI Deep Research、GPT-5、Claude-4.5-Sonnet、Gemini-3-pro 等在内的多个系统已在代表性基准 BrowseComp 上展现出强大的多步搜索和证据综合能力，标志着自主网络智能进入新纪元。

然而，这一飞速进展的背后隐藏着一个令人担忧的现实：高性能搜索 Agent 的训练一直被资金雄厚的企业巨头所垄断，本质上是一场「闭门游戏」（closed-door game）。最强大的搜索 Agent 目前由 Google（Gemini-3-pro）、OpenAI（o3、GPT-5、Deep Research）、Anthropic（Claude-4-Opus、Claude-4.5-Sonnet）等公司的专有模型主导。

工业界的「标准配方」：CPT → SFT → RL

当前工业界实现搜索 Agent SOTA 的典型配方极其资源密集，通常包含三个甚至四个阶段：

• 阶段一 · 持续预训练（CPT）：在大规模网络语料上进行持续预训练，如通义 DeepResearch（Alibaba Tongyi Lab）和 RedSearcher（RedNote）均采用此阶段来注入领域知识
• 阶段二 · 监督微调（SFT）：使用高质量搜索轨迹数据进行监督微调，如 AgentFold 等工作为 Agent 交互提供结构化训练信号
• 阶段三 · 强化学习（RL）：通过复杂的 RL 阶段进一步优化搜索策略，如 WebSailor-V2 从 SFT 过渡到 RL 后性能大幅提升（BrowseComp 从 24.4→35.3）

核心困境：这种对巨量计算和专有数据管道的重度依赖，已经形成了巨大的参与壁垒，从根本上阻碍了学术界和开源社区在搜索 Agent 领域的创新。企业凭借 CPT+SFT+RL 的「重型训练管线」将前沿性能保持为商业机密，学术界长期缺乏训练高性能 Agent 所需的完全开源、高质量的训练数据和可复现方案。

OpenSeeker-v2 的核心追问

在 OpenSeeker-v1 初步探索的基础上，v2 将焦点完全转向训练轨迹本身的质量，挑战工业界对复杂多阶段训练管线的路径依赖，提出了一个大胆且关键的问题：

我们能否仅用简单的 SFT 方法，通过提升训练轨迹的难度和信息丰富度，推动搜索 Agent 达到与重型 CPT+SFT+RL 工业管线相媲美甚至超越的性能？

OpenSeeker-v2 用实验给出了肯定的答案：当 SFT 数据具备足够的高难度和丰富信息时，简单 SFT 就可以足够强大。这一发现从根本上动摇了「必须经过 CPT+SFT+RL 多阶段训练才能打造 SOTA 搜索 Agent」的行业迷思。

基础回顾：OpenSeeker-v1 的数据合成 Pipeline

为理解 v2 的改进，需要先简要回顾 v1 建立的数据合成框架。OpenSeeker-v1 提出了两项核心技术：

① 基于事实的可扩展可控 QA 合成（Fact-Grounded Scalable Controllable QA Synthesis）：将开放网络建模为有向图 \(\mathcal{G}=(\mathcal{V},\mathcal{E})\)，其中 \(\mathcal{V}\) 表示网页节点，\(\mathcal{E}\) 表示超链接边。从随机采样的种子页面 \(v_{\mathrm{seed}}\) 出发，沿出边遍历收集 \(k\) 个连接节点形成局部依赖子图。通过实体提取、结构化问题生成和实体模糊化，从子图中逆向构建强制多跳推理的复杂问题——这些问题结构上要求 Agent 跨越多个节点进行演绎推理，而非单步检索。最终通过难度验证（闭卷不可解）和可解性验证（给定上下文可解）的双重拒收采样确保数据质量。

② 去噪轨迹合成（Denoised Trajectory Synthesis）：在轨迹合成中引入回顾式摘要机制和非对称上下文训练。教师模型在干净的去噪上下文中产生高质量推理和动作，学生模型被强制在噪声原始上下文中复现这些决策——迫使学生隐式学习去噪和信息提取能力。

v1 使用 11.7K 合成样本通过单次 SFT 训练，在 BrowseComp 上取得 29.5%，BrowseComp-ZH 上 48.4%，xbench 上 74.0%。但 v1 与工业界重型管线（通义 DeepResearch 的 43.4% BrowseComp）之间仍有显著差距。

方法：三项简单但高效的数据合成改进

OpenSeeker-v2 的核心假设直截了当：给定足够困难和信息丰富的训练数据，直接的 SFT 目标足以引导模型学习强大的长程搜索和推理能力。作者在 v1 数据合成 pipeline 上引入了三项看似简单但协同效果惊人的修改：

改进一：扩大知识图谱规模 —— 注入更丰富的探索空间

在 v1 的 pipeline 中，从种子节点 \(v_{\mathrm{seed}}\) 出发沿出边遍历 \(k\) 个相邻节点构建局部子图 \(\mathcal{G}_{\mathrm{sub}}\)。v2 将扩展预算从 \(k\) 大幅提升至 \(K\)（\(K > k\)），获得更大的证据子图：

\[ \mathcal{G}_{\mathrm{sub}}^{(K)} = \operatorname{Expand}(\mathcal{G}, v_{\mathrm{seed}}, K) \]

扩大后的子图包含更丰富的拓扑相关源信息。这带来了两个关键效应：(1) 增加了可行推理路径的数量和多样性，为合成更复杂的问题提供了原材料；(2) 合成问题更可能需要跨多个节点的证据聚合，而非仅依赖少数源即可解决。合成查询基于扩展上下文生成：

\[ q \sim P_{\mathrm{gen}}\left(q \mid \mathcal{G}_{\mathrm{sub}}^{(K)}\right) \]

设计直觉：通过增大 \(K\)，生成的问题从结构层面被强制要求进行深度多跳探索。这并非简单增加噪声，而是扩大了证据图谱的拓扑覆盖范围，使每个合成问题天然的推理路径更长、信息依赖更复杂。Agent 必须学会在更广阔的信息空间中定位、筛选和聚合证据。

改进二：扩展工具集 —— 赋予更广泛的功能覆盖

给定生成的问题 \(q\)，v2 为搜索 Agent 配备了比 v1 显著更大的工具集 \(\mathcal{A}\)（参照 MiroThinker 的工具设计），让其产生多步 ReAct 风格轨迹：

\[ \tau = \left( r_1,a_1,o_1, r_2,a_2,o_2, \ldots, r_T,a_T,o_T, r_{T+1},y \right) \]

其中每个动作 \(a_t \in \mathcal{A}\) 对应一次从扩展工具集中选择的工具调用，\(o_t\) 表示工具返回的观测结果，\(r_t\) 代表每步动作前的推理痕迹（reasoning trace）。轨迹包含 \(T\) 步工具调用，随后进行一次最终推理 \(r_{T+1}\) 并给出答案 \(y\)。

工具集的扩展并非简单的数量堆砌，而是功能互补性的增强。更多样化的工具使得 Agent 能够针对不同查询类型选择最优的工具组合策略，学习到更灵活、功能更丰富的问题解决行为。这直接提升了 Agent 在真实场景中应对多样化、异构查询的能力——从简单事实查找到跨领域综合分析。

改进三：严格低步数过滤 —— 确保最低难度底线

这是 v2 最关键的改进之一。v1 的数据集中混入了大量可通过直接查表或浅层关键词匹配解决的简单样本，这些样本几乎不提供长程推理训练信号，反而稀释了训练集的有效难度。v2 引入严格的低步数过滤规则：

\[ \mathcal{D}_{\mathrm{v2}} = \left\{ (q,\tau) \in \mathcal{D}_{\mathrm{raw}} \;\middle|\; T(\tau) \geq T_{\min} \right\} \]

其中 \(T_{\min}\) 为预设的最低工具调用阈值。工具调用步数 \(T(\tau) < T_{\min}\) 的轨迹被直接丢弃。这一操作看似简单粗暴，但意图明确：

• 保证最低难度底线：每一条保留的训练样本都要求 Agent 执行不少于 \(T_{\min}\) 步的工具调用，确保模型不会学习到「走捷径」的退化策略
• 提高训练信号密度：移除简单样本后，剩余数据中每一步工具调用都承载了更有价值的推理-行动-观测三元组信号
• 强化长程推理能力：模型被强制在训练中反复经历长序列的推理-行动循环，从而内化持续推理、信息追踪和多步综合的能力

三项改进的协同效应：扩大图谱增加了上下文丰富度和多跳依赖性 → 扩展工具集赋能更多样化的解决策略 → 低步数过滤强制执行最低难度底线并移除退化捷径。三者共同作用，产出了高密度、高难度、高信息量的 SFT 数据，驱动 Agent 学会持续推理、鲁棒信息提取和长程搜索行为。最终 OpenSeeker-v2 在标准 SFT 目标下训练，无 RL，无额外超参调优。

三项改进的最终产出是一个高度浓缩的数据集——仅 10.6K 条高难度轨迹（比 v1 的 11.7K 更少），但每条轨迹的信息密度和难度都远高于 v1。这再次验证了 数据质量优先于数据量 的原则。

实验设置

模型与训练配置

基座模型：OpenSeeker-v2 基于 Qwen3-30B-A3B-Thinking-2507 初始化（总参数 30B，推理时激活仅 3B）。该模型本身具备强大的推理和指令遵循能力，为搜索 Agent 提供了坚实的基座。

推理配置：256K 上下文窗口，最多允许 200 次工具调用每轨迹。大上下文窗口确保 Agent 能够维持长程搜索中的历史信息，高工具调用上限为复杂多步探索提供了充足的「思考-行动」空间。

训练方式：仅 SFT，无 RL，无额外超参调优。仅用 10.6K 条高难度轨迹进行单次训练。这一定位刻意保持极简——任何性能提升都可以直接归因于数据质量的改善，而非训练技巧或超参工程的贡献。

评估基准

OpenSeeker-v2 在四个挑战性 Agent 基准上进行评估，覆盖多样化的深度研究任务：

• BrowseComp（英文）：测试多步导航和困难信息定位能力，要求 Agent 在复杂网络中定位特定事实
• BrowseComp-ZH（中文）：BrowseComp 的中文版本，难度相当但面向中文搜索生态
• Humanity's Last Exam（HLE）：跨领域高难度问答基准，涵盖科学、数学、人文等多个学科的前沿问题，对 Agent 的知识综合和跨领域推理能力提出极高要求
• xbench-DeepSearch：评估复杂深度研究能力，包括规划、信息综合和结构化答案生成

评估时，对所有 hugging-face 相关链接进行了屏蔽处理，以避免训练数据泄露导致的性能虚高。

对比基线

论文构建了全面的对比基线体系，分为三个层次：

层次一 · 闭源专有模型：Claude-4-Opus、Claude-4.5-Sonnet、Gemini-3-pro、OpenAI-o3、OpenAI Deep Research、GPT-5-High。这些模型代表当前搜索 Agent 的绝对性能上限，但训练数据和技术细节完全封闭。

层次二 · 开源大模型（>30B）：DeepSeek-V3.1-671B、DeepSeek-V3.2-671B、GLM-4.6-357B、GLM-4.7-357B、Minimax-M2-230B。这些模型参数量远大于 OpenSeeker-v2，但并非专门为搜索任务优化。

层次三 · ~30B ReAct 搜索 Agent（核心对比）：这是论文的核心对比对象，包括： WebSailor-V2-30B（SFT 和 RL 版本）、WebLeaper-30B（SFT 和 RL 版本）、通义 DeepResearch（Alibaba Tongyi Lab，CPT+SFT+RL）、RedSearcher-30B（RedNote，CPT+SFT+RL）、以及 OpenSeeker-v1-30B-SFT。通义 DeepResearch 和 RedSearcher 是当前最强的同规模 ReAct 搜索 Agent，但均采用重型 CPT+SFT+RL 训练管线，是检验 v2 的 SFT-only 方法是否有效的最直接参考。

主要实验结果

下表展示了 OpenSeeker-v2 与全量基线的对比。「# Samples」表示训练样本总量，「Training」表示训练技术组合，「Academic」表示是否由纯学术团队完成（✓ 是，✗ 否），「BC-ZH」为 BrowseComp-ZH 缩写。

表1：OpenSeeker-v2 与全量基线的完整对比。仅用 SFT 训练的 v2 在同规模 ReAct Agent 中取得最强综合性能，且训练样本数最少（10.6K）。通义 DeepResearch 和 RedSearcher 是核心对比对象——两者均采用 CPT+SFT+RL 重型管线，但 v2 的 SFT-only 方案在四个基准上全面超越

结果分析

分析一：超越同规模 CPT+SFT+RL Agent

OpenSeeker-v2 的核心问题是：简单 SFT 能否推动搜索 Agent 达到极限并媲美重型工业管线？答案是肯定的，而且超出预期。

在同为 ~30B 的 ReAct 搜索 Agent 中，OpenSeeker-v2-30B-SFT 以仅 SFT 训练取得了最强的综合性能：

• vs 通义 DeepResearch（Alibaba Tongyi Lab，CPT+SFT+RL）：在 BrowseComp 上 46.0 vs 43.4（+2.6pp），HLE 上 34.6 vs 32.9（+1.7pp），BrowseComp-ZH 上 58.1 vs 46.7（+11.4pp），xbench 上 78.0 vs 75.0（+3.0pp）。四项全面领先。
• vs RedSearcher-30B（RedNote，CPT+SFT+RL）：在 BrowseComp 上 46.0 vs 42.1（+3.9pp），BC-ZH 上 58.1 vs 49.8（+8.3pp），HLE 上 34.6 vs 34.3（+0.3pp）。同样全面领先。

关键结论：一个仅用 10.6K 样本训练的单次 SFT 模型，在四个基准上全面超越了采用 CPT（海量语料持续预训练）+ SFT + RL（复杂强化学习）三阶段重型工业管线训练的同规模搜索 Agent。这强有力地证明了：当数据质量足够高时，简单 SFT 不仅可行，而且优于复杂训练管线。

分析二：超越更大规模的开源模型

更令人印象深刻的是，OpenSeeker-v2 的 30B 参数模型超越了参数规模远超自己的通用大模型：

• DeepSeek-V3.1-671B（22倍参数）：BrowseComp 46.0 vs 30.0，BC-ZH 58.1 vs 49.2，HLE 34.6 vs 29.8
• GLM-4.6-357B（12倍参数）：BrowseComp 46.0 vs 45.1，BC-ZH 58.1 vs 49.5，HLE 34.6 vs 30.4
• Minimax-M2-230B（8倍参数）：BrowseComp 46.0 vs 44.0，BC-ZH 58.1 vs 48.5
• Claude-4.5-Sonnet（闭源专有）：BrowseComp 46.0 vs 24.1，BC-ZH 58.1 vs 42.4，HLE 34.6 vs 32.0
• Gemini-3-pro（闭源专有）：v2 在 BC-ZH 上低于 Gemini 的 66.8，但在 BrowseComp 上 46.0 vs 37.8 取得领先

这些对比表明，针对性的搜索 Agent 训练可以将较小的模型提升到超越通用大模型的搜索性能——数据质量和训练目标的匹配度比参数规模更重要。

分析三：v1 → v2 的巨大跃迁彰显框架扩展潜力

在相同模型规模（30B）和相同训练范式（SFT-only）下，v2 相比 v1 实现了代际跃迁：

表2：OpenSeeker v1 → v2 的性能跃迁。三项简单的数据改进带来了 BrowseComp 上 56% 的相对提升

v2 的提升来自纯粹的数据质量改进——相同的基座模型、相同的训练范式（SFT）、相同的训练计算量，甚至训练样本数更少（10.6K vs 11.7K）。这揭示了一个重要事实：OpenSeeker 框架在当前 SFT 设定下远未饱和。提升合成任务的难度和轨迹质量即可持续获得显著的能力增益，这意味着可扩展的高质量数据合成是推动搜索 Agent 发展的核心路径。

分析四：数据难度 —— v2 性能优势的根本来源

为什么 v2 仅靠三项修改就能实现如此巨大的性能跃迁？答案在于数据难度的代际提升。

OpenSeeker-v2 的平均每轨迹工具调用次数达到 64.67 步，远超 OpenSeeker-v1 的 46.97 步（+38%）和 RedSearcher 的 36.01 步（+80%）。这一显著差距说明 v2 的训练数据要求更复杂的多步推理和更长程的信息搜寻。

从机制上理解这一提升链条：

扩大图谱 → 增加多跳依赖 → 轨迹变长（64.67 vs 46.97 步）→ 难度提升 → Agent 被强制学习真正的长程搜索和信息综合 → 性能提升（BrowseComp 29.5→46.0）。这一链条揭示了「数据难度驱动能力提升」的内在机制。

作者假设，这种长而困难的人工合成轨迹对于使模型获得更强的长程检索和搜索能力至关重要。简单样本即使数量再多，也无法提供 Agent 在真实复杂搜索场景中所需的「持续推理、多步综合、信息追踪」能力训练信号。

讨论与展望

数据质量的中心地位

OpenSeeker-v2 的结果从根本上重新校准了搜索 Agent 研究的关注焦点——从训练管线的复杂度转向训练数据的质量。具体而言：

• SFT vs CPT+SFT+RL：当 v2 的 SFT-only 方案在四个基准上全面超越通义 DeepResearch 和 RedSearcher 的 CPT+SFT+RL 方案时，足以说明高质量数据的优势可以完全抵消多阶段训练的计算优势
• 10.6K vs 15K+：v2 使用了比 WebLeaper（15K）更少的样本，但取得了更好的性能——数据质量比数据量更重要
• 30B vs 671B：v2 的 30B 参数模型超越 DeepSeek-V3.1-671B，表明领域特化的高质量训练数据可以弥补巨大的参数规模差距

打破工业界的数据垄断

OpenSeeker-v2 的最重要意义可能不在于具体的性能数字，而在于它证明了：

学术团队完全可以通过战略性数据合成，绕过工业界的「数据护城河」，训练出具有竞争力的前沿级搜索 Agent。OpenSeeker-v2 是首个在 ~30B 模型规模和 ReAct 范式内由纯学术团队仅用 SFT 实现的最先进搜索 Agent。团队完全开源模型权重，为社区提供了完整的可复现方案。

未来工作（What's Next）

作者的内部观察表明，高质量合成数据展现出强大的扩展潜力。未来工作将继续沿以下方向推进：

• 扩大数据量：当前 10.6K 样本远未触及数据扩展的极限，扩大数据规模预计将带来持续的性能提升
• 提升数据质量：进一步优化数据合成 pipeline，生成更高复杂度和更丰富信息密度的训练轨迹
• 增强数据多样性：将 Agent 能力扩展到纯网络搜索之外，整合更多样化的工具和数据源，覆盖更广泛的真实使用场景
• RL 的潜在增益：当前 v2 仅使用了 SFT，RL 阶段可能进一步释放模型潜力——但作者强调，高质量 SFT 数据已足够达到 SOTA，RL 是锦上添花而非必需品

这些方向的核心指导思想始终如一：数据质量优先于训练复杂度。

总结

OpenSeeker-v2 的核心贡献可以归纳为以下五点：

① 用简单 SFT 打破「重型训练管线」迷思：以无可辩驳的实验证据证明，当数据质量足够高时，简单 SFT 即可训练出超越 CPT+SFT+RL 重型管线的搜索 Agent。这一发现从根本上挑战了工业界对复杂多阶段训练的路径依赖，也为学术界和开源社区指明了方向——与其等待企业公开训练数据和复杂 pipeline，不如聚焦于创造更高质量的训练数据。

② 三项简单但高效的数据合成改进：扩大知识图谱规模（\(K > k\)）以增加探索丰富度 → 扩展工具集（\(\mathcal{A} \uparrow\)）以增强功能覆盖广度 → 严格低步数过滤（\(T(\tau) \geq T_{\min}\)）以确保最低难度底线。三项修改的组合产生了 BrowseComp 上 56% 的相对提升（29.5→46.0），且实现简单、易于复现。

③ 首个纯学术 SOTA 搜索 Agent：OpenSeeker-v2 是首个在 ~30B 模型规模和 ReAct 范式内由纯学术团队（上海交通大学）仅用 SFT 实现的最先进搜索 Agent。团队完全开源模型权重（Hugging Face: PolarSeeker/OpenSeeker-v2-30B-SFT），使前沿搜索 Agent 研究对学术界和开源社区更加可及。

④ SOTA 性能：仅 10.6K 样本，BrowseComp 46.0%、BrowseComp-ZH 58.1%、HLE 34.6%、xbench 78.0%。在 BrowseComp-ZH 上领先通义 DeepResearch（CPT+SFT+RL）11.4 个百分点，在 xbench 上领先 3.0 个百分点。也超越 DeepSeek-V3.1-671B、GLM-4.6-357B、Minimax-M2-230B 等大参数模型和 Claude-4.5-Sonnet 等闭源模型。

⑤ 数据质量 > 训练复杂度：OpenSeeker-v2 用 10.6K 高质量样本 + 简单 SFT，全面超越了使用 CPT+SFT+RL 训练的工业界方案。这强有力地证明了精心设计的数据本身就足以解锁巨大的性能增益。数据质量可能是训练智能长程搜索 Agent 的最关键路径。

核心启示：在搜索 Agent 领域，与其堆叠复杂的 CPT+SFT+RL 多阶段训练管线，不如将精力集中在提升训练数据的难度、信息丰富度和多样性上。OpenSeeker-v2 用事实证明：当数据质量足够高时，简单就是强大。这对于计算资源有限的学术团队具有深远的指导意义——战略性数据合成是弥合学术界与工业界搜索 Agent 性能差距的最有效路径。

Reference

[1] OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories — Yuwen Du, Rui Ye, Shuo Tang, Keduan Huang, Xinyu Zhu, Yuzhu Cai, Siheng Chen. arXiv:2605.04036, 2026.

[2] OpenSeeker GitHub Repository

[3] OpenSeeker-v2 Model Weights on Hugging Face

[4] OpenSeeker-v1: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data — arXiv:2603.15594, 2026.

Contact