OpenSeeker 论文解读：首个完全开源训练数据的前沿搜索 Agent，仅 11.7k 样本单次 SFT 即超越工业级系统

一句话总结：上海交大团队开源了 OpenSeeker——首个完全公开训练数据的搜索 Agent，仅用 11.7k 合成样本、单次 SFT 训练就在 BrowseComp 等基准上超越了阿里通义 DeepResearch 等需要预训练+SFT+RL 的工业级系统，彻底打破了搜索 Agent 领域的"数据护城河"。

---

📋 论文信息

• 标题：OpenSeeker: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data
• 作者：Yuwen Du, Rui Ye, Shuo Tang, Xinyu Zhu, Yijun Lu, Yuzhu Cai, Siheng Chen
• 机构：上海交通大学
• 发布日期：2026年3月16日
• 开源资源：
  • 🔗 代码：GitHub - OpenSeeker
  • 📊 数据：HuggingFace - OpenSeeker-v1-Data
  • 🤖 模型：HuggingFace - OpenSeeker-v1-30B-SFT

---

🎯 一个灵魂拷问：为什么搜索 Agent 的数据这么稀缺？

想象一下这个场景：你想训练一个能像人类一样在网上"深挖"信息的 AI Agent——它需要能够多轮搜索、筛选信息、跨页面关联线索，最终找到那个藏在互联网角落里的答案。

听起来很酷对吧？但问题来了：数据从哪来？

传统的 QA 数据集（比如 SQuAD、TriviaQA）里的问题太简单了，一次 Google 就能搞定。而真正需要"深度搜索"能力的问题——比如"找到某部 1987 年电影中某个配角演员的出生地"——这种数据根本不存在。

更尴尬的是，即使有人造出了这样的数据，他们也不愿意公开。看看现在的玩家：

玩家	模型开源	数据开源
OpenAI Deep Research	❌	❌
Google Gemini Deep Research	❌	❌
Kimi K2/K2.5	✅	❌
通义 DeepResearch	✅	❌
OpenSeeker	✅	✅

大厂们都很默契地守着自己的"数据护城河"——模型可以开源（反正也能重新训），但数据？门都没有。

这就是 OpenSeeker 要解决的问题：打破数据垄断，让学术界也能玩得起搜索 Agent。

图1：OpenSeeker 的核心方法流程——左侧是事实驱动的 QA 合成（通过网络图拓扑扩展和实体混淆生成高难度问题），右侧是去噪轨迹合成（通过非对称上下文训练让模型学会在噪声中提取关键信息）

---

📖 BrowseComp 是什么？为什么它这么难？

在聊 OpenSeeker 的方法之前，得先说说它的"考场"——BrowseComp。

2025 年 4 月，OpenAI 开源了 BrowseComp 基准测试，包含 1266 道"变态级"信息检索题。这些题目有几个特点：

1. 答案难找但易验证：比如问"某个 NBA 球员大学时期的室友现在在哪家公司工作"，答案可能只出现在某个小众论坛的一个帖子里
2. 需要多跳推理：不是一次搜索就能搞定，需要搜 A → 从 A 找到 B → 再从 B 找到 C
3. 信息分散：答案的线索分布在互联网的多个角落

当时 OpenAI 自己的 Deep Research Agent 在这个基准上拿了 51.5% 的准确率，而普通的 LLM（比如 GPT-4o）只能拿到个位数。

到了 2026 年 3 月，这个基准的分数天花板已经被推到了 50% 以上。OpenSeeker 在 BrowseComp 的中文版（BrowseComp-ZH）上拿到了 48.4%，超过了通义 DeepResearch 的 46.7%。

关键是——通义用了持续预训练 + SFT + RL 三阶段训练，OpenSeeker 只用了单次 SFT。

---

🧠 核心创新一：事实驱动的可扩展可控 QA 合成

OpenSeeker 的第一个杀手锏是它的 QA 合成方法。简单说就是：把互联网当成一张图，在图上"造题"。

为什么传统方法不行？

传统的 QA 合成有两个路子：

1. 从现有数据集抽样：问题太简单，根本不需要深度搜索
2. 让 LLM 凭空生成：容易产生幻觉，生成的问题可能根本没有真实答案

OpenSeeker 的思路不一样：从真实的网页链接结构出发，反向生成需要遍历这些链接才能回答的问题。

具体怎么做？

想象互联网是一张巨大的有向图，每个网页是一个节点，超链接是边。OpenSeeker 的合成流程如下：

Step 1：图扩展

从一个种子页面（比如某个维基百科词条）出发，沿着出边遍历，形成一个局部子图。比如：

电影《泰坦尼克号》 → 导演詹姆斯·卡梅隆 → 他的另一部电影《阿凡达》 → 阿凡达的特效公司

Step 2：实体提取与子图重组

把文本噪声去掉，只保留关键实体和它们的关系，形成一个"实体子图"：

泰坦尼克号 --导演--> 卡梅隆 --执导--> 阿凡达 --特效--> Weta Digital

Step 3：基于子图生成问题

让 LLM 根据这个实体子图生成问题，要求问题必须遍历多条边才能回答：

"《泰坦尼克号》导演执导的另一部科幻电影的特效是由哪家公司制作的？"
答案：Weta Digital

Step 4：实体混淆（这一步最骚）

把问题里的具体实体替换成模糊的描述，强迫 Agent 先"消歧"：

原问题："《泰坦尼克号》导演执导的另一部科幻电影..."
混淆后："那部 1997 年获得 11 项奥斯卡奖的爱情灾难片的导演..."

这就像把"詹姆斯·卡梅隆"换成了"那个拍过海底纪录片的导演"——Agent 需要先搜索确认这个人是谁，才能继续下一步。

Step 5：双重验证

生成的 QA 必须同时满足两个条件：

• 难度验证：基础模型"闭卷"答不出来（确保需要搜索）
• 可解性验证：给模型完整的子图内容，它能答对（确保问题有解）

图2：事实驱动的 QA 合成流程——从网页图的拓扑扩展到实体混淆，再到双重验证，形成一套完整的高难度 QA 生产线

这个方法为什么好？

特性	说明
事实性	基于真实网页拓扑，问题必有答案
可扩展性	互联网有 TB 级网页存档，理论上可以无限生成
可控性	通过调整子图深度控制问题难度

---

🔧 核心创新二：去噪轨迹合成

有了高质量的 QA，还需要高质量的"解题过程"（轨迹）来训练 Agent。但问题是：真实网页充满噪声。

打开任何一个网页，你会看到：广告、导航栏、侧边栏、评论区、推荐链接……真正有用的信息可能只占 10%。让 Agent 在这些噪声中学习正确的搜索策略，简直是 mission impossible。

OpenSeeker 的解法很巧妙：合成时去噪，训练时加回来。

合成阶段：给老师一个干净的环境

在让教师模型（比如 GPT-4o）生成轨迹时，OpenSeeker 用了一个"总结历史 + 原始近期"的协议：

上下文 = [步骤1的摘要, 步骤2的摘要, ..., 步骤(t-1)的原始观察]

也就是说，历史步骤只保留关键信息的总结，只有最近一步保留完整内容。这样教师模型能在一个相对干净的环境里生成高质量的"黄金轨迹"。

训练阶段：给学生一个嘈杂的环境

但学生模型训练时，OpenSeeker 把所有的总结都换回了原始的噪声内容：

训练上下文 = [步骤1的原始观察, 步骤2的原始观察, ..., 步骤(t-1)的原始观察]

这就像：

• 老师在安静的办公室里写出了标准答案
• 学生被要求在嘈杂的食堂里，照着这个答案学习

为什么要这么折腾？

因为实际部署时，Agent 面对的就是噪声满满的真实网页。如果训练时就用干净数据，模型一上线就懵逼了。这种"非对称训练"强迫模型学会：在噪声中提取关键信息，然后做出正确决策。

图3：去噪轨迹合成的核心思想——教师模型在压缩的历史上下文中生成高质量动作，学生模型在完整的噪声上下文中学习复现这些动作

---

🧪 实验结果：11.7k 样本，单次 SFT，直接登顶

实验设置

• 基础模型：Qwen3-30B-A3B-Thinking-2507（30B 参数，3B 激活的 MoE 架构）
• 训练数据：仅 11.7k 合成样本
• 训练方法：单次 SFT，无数据过滤，无超参数调优

基准测试

基准	语言	说明
BrowseComp	英文	OpenAI 发布的深度搜索基准
BrowseComp-ZH	中文	BrowseComp 的中文版
xbench-DeepSearch	混合	多语言深度搜索评测
WideSearch	混合	广度搜索能力评测

主要结果

结果一：超越资源密集型工业基线

模型	训练方式	BrowseComp-ZH
通义 DeepResearch	CPT + SFT + RL	46.7%
OpenSeeker	仅 SFT	48.4%

通义用了三阶段训练管线（持续预训练 + 监督微调 + 强化学习），OpenSeeker 只用了 SFT。这说明什么？数据质量 >> 训练花样。

结果二：同参数量、同训练方式下的统治级表现

在 ~30B 参数、仅 SFT 的模型中：

模型	数据量	BrowseComp-ZH	WideSearch
MiroThinker	147k	25.8%	34.6%
WebSailor-V2-SFT	15k	28.3%	28.7%
WebLeaper	10k	32.5%	30.4%
OpenSeeker	11.7k	48.4%	45.3%

MiroThinker 用了 147k 样本，是 OpenSeeker 的 12 倍，结果呢？被吊打。

结果三：数据难度对比

OpenSeeker 合成的数据有多难？看一个指标——平均工具调用次数：

数据集	平均工具调用数
BrowseComp-ZH	26.98
OpenSeeker 合成数据	46.35

OpenSeeker 的训练数据比测试基准还难 70%，这就是"考试都没训练难"的降维打击。

图4：BrowseComp-ZH 上的性能对比——OpenSeeker 在 ~30B 参数级别中遥遥领先，甚至超过了使用更复杂训练流程的工业级系统

图5：数据复杂度对比——OpenSeeker 的合成数据在问题长度、轨迹长度、工具调用次数等维度上都远超现有基准

---

💡 我的观点与启发

1. 数据质量的胜利

这篇论文最大的启示是：在 Agent 训练中，数据质量远比数量重要。

MiroThinker 用 147k 样本，被 11.7k 样本的 OpenSeeker 吊打。为什么？因为 MiroThinker 的数据来自现有数据集的聚合，问题难度不够；而 OpenSeeker 从图拓扑出发"定制化造题"，每道题都确保需要多轮搜索才能解。

这给我们一个工程启示：与其花时间清洗海量数据，不如设计一套能生成高质量数据的方法论。

2. 非对称训练是个好思路

"合成时去噪、训练时加噪"这个设计非常巧妙。它解决了一个经典矛盾：

• 教师模型需要干净环境才能生成好轨迹
• 学生模型需要在噪声环境中学习才能部署

类似的思路其实在其他领域也有应用。比如语音识别中的"clean teacher + noisy student"训练，或者图像领域的数据增强。OpenSeeker 把这个范式迁移到了 Agent 训练中，效果立竿见影。

3. 学术界的逆袭

说实话，看到"纯学术团队超越工业级系统"这种新闻，我是有点激动的。

工业界一直有"数据飞轮"优势——用户交互产生数据，数据训练更好模型，更好模型吸引更多用户。学术界在这个循环里天然吃亏。

但 OpenSeeker 证明了：如果你能在数据合成方法上取得突破，就可以绕过数据飞轮的限制。这给学术界做 Agent 研究提供了一个可行路径。

4. 一些潜在问题

当然，这篇论文也不是完美的。我有几个疑问：

Q1：图扩展的种子节点怎么选？

论文没有详细说明种子页面的选择策略。如果种子覆盖面有偏，生成的 QA 分布也会有偏。

Q2：实体混淆会不会过度？

把"詹姆斯·卡梅隆"换成"那个拍过海底纪录片的导演"是很好的混淆。但如果换成"某个知名导演"，可能就太模糊了，导致问题有多个合理答案。混淆的"度"怎么把握？

Q3：中英文数据分布如何？

论文提到在 BrowseComp-ZH（中文）上效果特别好，那英文呢？如果合成数据以中文为主，在英文基准上的泛化性如何？

---

🔗 与其他工作的对比

工作	团队性质	模型开源	数据开源	训练方式	BrowseComp-ZH
OpenAI Deep Research	工业	❌	❌	未知	-
通义 DeepResearch	工业	✅	❌	CPT+SFT+RL	46.7%
REDSearcher	工业+学术	✅	部分	Mid-training+SFT+RL	26.8%
OpenResearcher	学术	✅	✅	SFT	-
OpenSeeker	学术	✅	✅	仅 SFT	48.4%

OpenSeeker 是第一个"三全"的工作：全开源（模型+数据）、纯学术、SOTA 性能。

---

📝 总结

OpenSeeker 这篇论文给搜索 Agent 领域带来了几个重要贡献：

1. 方法论创新：事实驱动的图合成 QA + 去噪轨迹合成，提供了一套可复现的高质量数据生产线
2. 打破数据壁垒：首次完全开源前沿搜索 Agent 的训练数据，让学术界也能参与竞争
3. 效率标杆：证明了仅用 11.7k 样本、单次 SFT 就能达到甚至超越复杂多阶段训练的效果

对于想做搜索 Agent 的团队，这篇论文的代码和数据是非常好的起点。对于关心 AI Agent 发展的读者，这篇论文揭示了一个重要趋势：合成数据的质量，可能比真实数据的数量更重要。

---

📚 参考文献

1. OpenSeeker GitHub: https://github.com/rui-ye/OpenSeeker
2. OpenSeeker 数据集: https://huggingface.co/datasets/OpenSeeker/OpenSeeker-v1-Data
3. BrowseComp 基准: https://openai.com/research/browsecomp

---

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我的微信公众号：机器懂语言