💡 **模型创新与性能卓越**：阿里通义开源的DeepResearch是一款先进的深度研究Agent模型，其核心亮点在于高效的参数利用。仅需3B激活参数，它在HLE、GAIA、BrowseComp等权威评测集上取得了SOTA（State-of-the-Art）的成绩，性能超越了OpenAI的o3、DeepSeek-V3.1和Claude-4-Sonnet等更大、更复杂的模型驱动的Agent。这种卓越性能并非依赖于参数堆砌或海量数据，而是得益于一套以合成数据为核心、贯穿预训练和后训练的完整训练体系，使得模型能够以更聪明、更高效的方式学习，实现学得快、学得准并具备举一反三的能力。

🚀 **灵活的推理模式与实际应用**：DeepResearch在推理阶段设计了两种创新模式：ReAct模式用于评估模型的基础能力，而其自研的IterResearch驱动的Heavy模式则专注于挖掘模型在长时间、复杂任务中的潜力。这种设计使其能够像经验丰富的研究员一样，从基础问题到压轴难题都能稳健应对。模型已成功落地于实际场景，例如与高德合作的“小高老师”能够进行复杂的旅行规划，以及通义法睿在法律领域提供案例检索和法规分析的深度研究，充分证明了其解决现实问题的强大能力，而非仅仅是“刷榜神器”。

🌐 **推动AI社区发展与未来展望**：DeepResearch的开源，标志着阿里在Agent领域持续发力的又一重要里程碑，进一步丰富了其在开源生态中的布局。此次开源不仅提供了模型本身，还包括了框架和方案，代码托管在GitHub、Hugging Face和魔搭社区，便于全球开发者研究和二次开发。这体现了阿里开放的态度，将极大地推动AI社区的进步，促进技术的快速进化和应用场景的拓展。该模型的出现预示着AI正从“能回答问题”向“能深入研究问题”迈进，未来的AI将不再仅仅是聊天工具，而是能够真正帮助我们解决复杂问题、参与决策过程的强大伙伴，DeepResearch正在加速这一愿景的实现。

大家好，我是小悟。

最近，阿里通义正式开源了他们的首个深度研究Agent模型——DeepResearch。

简单来说，它是一种能像人类研究员一样，自主完成信息搜集、分析、推理，最后形成有价值结论的AI模型。

根据公开信息，它在多个国际权威评测集上，比如HLE、GAIA、BrowseComp这些“硬核考试”中，都拿到了SOTA的成绩。

更厉害的是，它只用了3B的激活参数，就超越了像OpenAI的o3、DeepSeek-V3.1和Claude-4-Sonnet这些动辄更大更复杂的模型所驱动的Agent。

并不是靠堆参数或者砸数据来硬推效果，而是搭建了一套以合成数据为核心、贯穿预训练和后训练的完整训练体系。

说白了，就是用更聪明、更高效的方式去“教”这个模型，让它不仅学得快，而且学得准，还能举一反三。

另外，在推理阶段他们也做了创新，设计了两种模式：一个是ReAct，用来考察模型的基础能力。

另一个是他们自研的IterResearch驱动的Heavy模式，专门用来挖掘模型在长时间、复杂任务中的潜力。

这就好比一个学生，不仅能答好基础题，还能在面对压轴大题时稳住心态、一步步拆解问题，最终给出高分答案。

值得一提的是，这个模型可不是只存在于实验室里的“理论派”。阿里已经把它用在一些实际场景中了，比如跟高德合作推出的“小高老师”，能帮你做复杂的旅行规划。

还有通义法睿，据说能像初级律师那样，自动检索案例、分析法规，做法律方面的深度研究。

这些落地应用，证明DeepResearch不只是刷榜神器，而是真的有能力在现实世界中解决问题。

其实，这并不是阿里第一次在Agent领域发力。今年他们还陆续开源了WebWalker、WebDancer、WebSailor等项目，在智能体的数据合成和强化学习方面也取得了很不错的成绩。

可以说，DeepResearch的开源，是他们在这一方向上的又一个重要里程碑，也进一步丰富了他们在开源生态中的布局。

从个人角度来看，这次DeepResearch的开源，不仅仅是一个技术突破，更像是一种信号：AI正在从“能回答问题”向“能深入研究问题”迈进。

而阿里用一个相对轻量级（3B激活参数）的模型做到这一点，给整个行业都提供了新的思路和可能性。

未来的AI，肯定不是只会聊天的工具，而是能真正帮我们解决问题、甚至参与到复杂决策过程中的伙伴。而像DeepResearch这样的模型，正在让这一天加速到来。

阿里这次不仅开源了模型本身，连框架和方案都一并开放了，代码托管在GitHub、Hugging Face和魔搭社区，可以直接去下载、研究和二次开发。

快速入门

1、环境配置

推荐 Python 版本：3.10.0（使用其他版本可能导致依赖问题）。

强烈建议使用 conda 或 virtualenv 创建隔离环境。

# Example with Condaconda create -n react_infer_env python=3.10.0 conda activate react_infer_env

2、安装

安装所需的依赖项：

pip install -r requirements.txt

3、准备评估数据

在项目根目录下创建一个名为 eval_data/ 的文件夹。

将您的QA文件以JSON格式放置在这个目录中，例如 eval_data/example.json。

每一行必须是一个包含以下两个键的 JSON 对象：

{"question": "...","answer": "..."}

在 eval_data 文件夹中提供了一个示例文件供参考。

如果你计划使用文件解析器工具， 需将文件名添加到问题字段前 ，并将引用的文件放置在 eval_data/file_corpus/ 目录内。

4、配置推理脚本

打开 run_react_infer.sh，并按照注释中的说明修改以下变量：

MODEL_PATH - 本地或远程模型权重的路径。

DATASET - 评估集的路径，例如 example。

OUTPUT_PATH - 用于保存预测结果的路径，例如 ./outputs。

根据您启用的工具（检索、计算器、网络搜索等），提供所需的 API_KEY、BASE_URL 或其他凭证。每个密钥在 bash 脚本中均有内联说明。

5、运行推理脚本

bash run_react_infer.sh

这种开放的态度，对于整个AI社区的推动作用是巨大的。毕竟，只有更多人参与进来，这个技术才能更快进化，应用场景也能更广。

谢谢你看我的文章，既然看到这里了，如果觉得不错，随手点个赞、转发、在看三连吧，感谢感谢。那我们，下次再见。

您的一键三连，是我更新的最大动力，谢谢

山水有相逢，来日皆可期，谢谢阅读，我们再会

我手中的金箍棒，上能通天，下能探海