S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents
S1-DeepResearch：超越搜索，构建真实世界长程研究智能体
🧭 深度研究智能体 · 多能力轨迹合成
XScience Lab · Wenge AI
提出统一轨迹构建范式，结合图任务生成、工具执行与多维验证，使32B模型在深度研究五项能力上达开源SOTA并逼近闭源前沿。
📌 工作参考价值
- 图基础复杂任务生成：利用知识图谱子图加注入多维约束（来源、论证、输出格式等）生成电商领域复杂查询（如竞品深度分析、市场趋势报告），训练 Agent 进行多步推理和可验证的报告生成，避免依赖参数记忆。
- 平衡搜索与合成：轨迹显示，深度研究成功的关键不是更多工具调用，而是适时停止搜索并将信息整合为结构化输出。在电商智能客服、选品分析中可借鉴，设定“证据充分性”判断机制，防止无休止检索。
- 多维度轨迹验证：针对报告生成引入引用一致性、证据支持度自动核查，对电商中商品描述生成、分析报告等场景可确保事实准确，减少幻觉。指令遵循的九维约束检查器可用于复杂用户意图的精准解析。
- 技能使用与文件生成：Agent 在沙盒中动态加载技能文档并执行脚本、生成文件（如报表、图表），可直接迁移到自动生成运营分析报告、可视化物料等任务，提升工具链的通用性。
动机
现有搜索代理数据集以封闭式问答和信息检索为中心，未能覆盖深度研究所需的核心能力：证据整合、知识综合、规划决策、文件理解与生成、结构化报告产出。这些能力对真实场景（如科研、行业分析）至关重要，因此需要一种兼顾封闭式问答可验证性与开放式探索真实性的统一轨迹构建范式，训练可原生执行深度研究的 Agent。
方法关键点
- 图基础任务生成：从 Wikidata 与开放网络构建知识子图，注入九维约束（来源、论证、推理、输出格式等），生成需多跳推理的复杂查询；通过参数知识过滤和拓扑难度评分（信息流、反馈边、宽度、深度）筛选高难度任务。
- AgentLoop 轨迹执行：在沙盒环境中让 Agent 调用九类工具（网页搜索、学术搜索、代码执行、图片问答等），产生完整交互轨迹，并针对报告、文件、多模态、技能四种场景进行轨迹精炼，提升真实性和输出质量。
- 多维度轨迹验证：对五大能力维度分别设计验证器，如复杂推理采用 LLM-as-a-Judge 与参考答案对齐；报告生成检查引用一致性及证据是否支撑论断；指令遵循用九维约束检查器；文件生成要求代码执行在末端等。
- S1-DeepResearch-15K 数据集：含 49299 条轨迹，覆盖长程推理、报告生成、指令遵循、文件理解和技能使用，平均工具调用 9.7 次但最终回答长达 1739 tokens，体现“搜索少、合成多”的深度研究模式。
- 模型训练：以 Qwen3-32B 为基座，对助手动作与最终回答进行 SFT。
关键结果
在 20 个基准上评估，S1-DeepResearch-32B 在同规模开源模型中达到 SOTA。文本长程推理平均 53.5，其中 GAIA 文本集 72.8，超过大多数开源通用模型与部分专项代理；在深度研究报告生成等基准上逼近 GPT-5.2、Gemini-3.1-Pro 等前沿模型。消融表明，多维度验证和平衡搜索与合成的设计显著提升任务完成质量。
核心记忆
深度研究 Agent 的关键不是拉长搜索轨迹，而是将充分信息合成为可靠、结构化的研究成果，并在正确时机停止搜索。