💡 **InfoSeek数据集的发布与目标**：北京智源人工智能研究院发布了首个大规模开源数据集InfoSeek，专为“深度研究”（Deep Research）场景设计。该数据集旨在弥补当前大模型在处理需要多轮推理、信息获取和整合的复杂任务时所面临的高质量训练数据不足的短板，推动大模型超越传统的问答能力，向更高级别的研究能力迈进。

🧠 **创新的“扩散-回溯”数据合成方法**：为解决数据稀缺问题，智源研究院提出了“扩散-回溯”数据合成方法。该方法将深度研究问题数学等价地定义为层级约束满足问题（Hierarchical Constraint Satisfaction Problem），通过“扩散”生成问题树状结构，再通过“回溯”验证其正确性。此方法能够大规模自动扩增训练数据，生成包含5万条高质量、高难度的训练样本，有效提升了模型的泛化和推理能力。

🚀 **显著的模型性能提升**：基于InfoSeek数据集训练的参数规模仅为3B的智能体模型，在BrowseComp-Plus基准测试中取得了16.5%的准确率，性能已接近Gemini、Sonnet 4.0等领先的商业模型。这充分验证了InfoSeek数据集在提升大模型深度研究任务上的有效性，尤其是在处理复杂、多步骤的检索和推理问题时，表现出强大的潜力，并且超越了使用传统QA数据集训练的模型。

📚 **数据集的开放与未来潜力**：InfoSeek数据集及其数据合成方法现已面向开源社区开放，包含超过5万条样本，主要集中在需要4-6个中间节点的问题上，其难度远超传统QA任务。该数据集的构造流程支持持续扩容和难度增加，为研究人员提供了宝贵的资源，有望加速深度研究领域的发展，并促进检索与人工智能的协同进步。