📌 项目地址：Alibaba-NLP/DeepResearch | ⭐ 18,983 颗星 | 🔧 Python | 📜 Apache-2.0
这不是聊天模型，是能自己搜索验证的智能体
通义实验室开源的 Tongyi DeepResearch（仓库 Alibaba-NLP/DeepResearch）是一个 MoE 模型，总参数 30.5B，推理时每个 token 只激活 3.3B 参数。它的定位不是对话，而是“长周期深度信息搜索”（long-horizon deep information-seeking）。给它一个复杂问题，它会自己决定搜索词、翻网页、交叉验证，最后输出结论。在 Humanity’s Last Exam、BrowseComp、WebWalkerQA 等七个搜索智能体评测集上拿了第一。
这些评测测的不是模型记住了多少知识，而是模型在多步搜索中的决策能力：该搜什么、怎么搜、何时该停下来。Tongyi DeepResearch 把“搜索-阅读-判断-再搜索”这个闭环当作核心能力来训练，而不是把搜索当成一个外挂插件随便接上。
三阶段训练：全自动合成 + 持续预训练 + 端到端 RL
READMe 写得很清楚，三阶段都是数据和算法创新，没有依赖人工标注。
第一阶段：全自动合成数据管线
训练用的每条数据都是一条完整的“智能体交互轨迹”——模型模拟搜索动作、点击文档、得出步骤结论或决定继续搜。整套管线全自动运行，可以无限生成覆盖不同搜索策略和失败恢复场景的轨迹。READMe 原话是：“highly scalable data synthesis pipeline, fully automatic”。零人工成本，解决了搜索智能体训练数据稀缺的核心问题。
第二阶段：大规模持续预训练
用合成出来的智能体交互数据继续训练基座模型（应该是通义基座）。目标有二：让模型适应网络环境（比如搜索引擎返回页的结构、链接格式、PDF 摘要等），同时保持知识的新鲜度并强化推理能力。这不是从零训，是在基座上加餐。
第三阶段：端到端强化学习
用定制的 Group Relative Policy Optimization (GRPO) 框架训练。READMe 列出了四个关键改良点，每个都对应一个实际工程难题：
- token-level policy gradients：每个 token 单独计算策略梯度，粒度比整句更新更细。模型可以在搜索链的每个步骤上精细调整，而不是只看整句效果。
- leave-one-out advantage estimation：留一法估计优势函数，减少方差。GRPO 典型实现是用当前组内多个轨迹的平均 reward 作为 baseline，留一法让评估更稳定。
- selective filtering of negative samples：训练过程中只保留对策略提升有益的错误样本。有些失败轨迹（比如搜错了关键词）其实对学习没有帮助，过滤掉能加速收敛。
- stabilizing training in non-stationary environment：搜索结果页和网页内容随时变化，模型不能假设两次搜索看到的东西一样，RL 必须处理这种动态环境。这个坑很深，做搜索智能体的人都能明白。
这几个点比“我们用 RL 训了”这种泛泛描述有价值很多。尤其是非平稳环境处理，很多公开项目根本没有提及。
推理双模式：ReAct 与 IterResearch Heavy
同一个权重，两种推理行为。READMe 明确写了：
- ReAct 模式：用于严格评估模型的核心能力，资源开销小。如果你想跑对比实验或者做能力基准测试，用这个。模型只靠自身推理和内置搜索策略，不额外堆计算。
- IterResearch “Heavy” 模式：测试时缩放计算资源，反复检索、验证、迭代，解锁模型最高性能天花板。做复杂调研、多轮溯源需求高时用。这相当于模型可以调用更多计算资源去走更深的搜索链。
对实际部署很有价值：简单问题走 ReAct 省钱，复杂问题砸钱上 Heavy 模式，按需切换。README 说两种模式都兼容，不需要重新加载权重。
在线 Demo 体验：建议直接跑本地
官方给了三个渠道：ModelScope 在线 Demo、HuggingFace 在线 Demo、阿里云百炼服务。但 READMe 用 NOTE 明确警告：
This demo is for quick exploration only. Response times may vary or fail intermittently due to model latency and tool QPS limits. For a stable experience we recommend local deployment; for a production-ready service, visit bailian.
我试了 HuggingFace 的 Demo。第一个请求等了一分多钟出了结果。第二个请求直接超时，页面报“Error”。这不是偶然，单次推理本来就慢，叠上并发限制，体验很差。如果你想稳定测试，建议本地部署或者直接用阿里云百炼。
开源的是权重，不是工程方案
模型权重可以从 HuggingFace（Alibaba-NLP/Tongyi-DeepResearch-30B-A3B）或 ModelScope 下载。但 READMe 只给了下载链接，没有加载脚本、推理命令、硬件要求、框架依赖。你拿到的是 .bin 文件，不是 docker-compose.yml。
硬件推测：总参数 30.5B，MoE 架构推理时只激活 3.3B，但全部参数需要加载到显存。按常见 MoE 实现，30B 参数用 FP16 大概需要 60GB 显存。Heavy 模式涉及多轮搜索和长上下文，估计需要 A100 80GB 或两台 24GB 卡做张量并行。具体没官方数据，这只是估算。
谁适合用这个模型
有 GPU 资源、想做搜索智能体方向的小团队。这个模型比跑全套 DeepSeek 划算：参数少一个数量级，能力针对搜索优化，MoE 又省推理时算力。先拿 ReAct 模式验证能力，再上 Heavy 模式深挖。
如果只是想体验搜索效果，在线 Demo 够用但体验差，直接上阿里云百炼更靠谱。如果目标是复现训练方法，论文和博客已经把数据合成和 RL 框架公开了，复现门槛相对低。
短板也明显：没有工程化套件。想跑起来还得自己搞定模型加载、搜索 API 集成、并发调度、结果后处理。对个人开发者来说，自建推理和搜索链路依然不轻。