OSU NLP Group 联合 Amazon AGI SF Lab 放出了 QUEST——一个从 2B 到 35B 全尺寸开源的深度研究 Agent 家族。8 个跨类型基准上，它的表现接近甚至超过了 OpenAI DeepResearch、Kimi Researcher 等闭源前沿系统。

关键数字：只用了 8000 条合成训练数据。

为什么这事重要：闭源围墙正在被推倒

深度研究 Agent 是 2025-2026 年最热的赛道之一。OpenAI DeepResearch、Kimi Researcher、Manus Wide Research、Anthropic Multi-Agent Research——这些系统把搜索引擎从"返回关键词匹配的页面"推进到"自主调研并生成引用完整的报告"。

但它们全是闭源的。模型权重不公开，训练数据不公开，训练配方不公开。

开源侧也在追赶：Tongyi-DR、OpenResearcher、SFR-DeepResearch、OpenSeeker……但各自只覆盖特定场景。有的专精事实检索，有的只擅长报告生成，没有一个统一的、跨任务类型都强的开源方案。

QUEST 想做的就是这个：一个通用目的、全尺寸开源、跨任务类型都强的深度研究 Agent。

核心武器一：统一评分树（Rubric Tree）——把"好答案"的定义结构化

深度研究任务的评估方式天然分裂为两种：

• 客观任务：答案可外部验证，对错分明（BrowseComp、GAIA）
• 开放任务：答案需要多维度主观评判（DeepResearch Bench——覆盖度、组织结构、清晰度、洞察力）

现有开源 Agent 的训练数据大多是"复杂问题 + 单一可验证答案"的格式。这种格式有两个致命缺陷：

1. 泛化差：只在事实检索类任务上有效，报告生成类任务完全无法覆盖
2. 奖励稀疏：RL 训练时只有二元对错信号，无法进行细粒度的信用分配

QUEST 的解法：Rubric Tree（评分树）。

这不是一个评估工具，而是整个训练框架的元结构。

评分树是一个层次化的约束分解：

• 根节点：最终总分
• 内部节点：高层约束（如"技术对比分析"），递归分解为子约束
• 叶节点：可直接验证的细粒度标准（如"引用了 Apple 官方折叠屏专利"），每个叶节点给二元分数

图 3 展示了两个例子：

客观任务："找出 2024 年美国两起李斯特菌爆发中死亡人数更多的一起"——评分树分解为"爆发 1 识别"→"Boar's Head 熟食肉/10人死亡"，"爆发 2 识别"→"Rizo-Lopez 奶酪/2人死亡"，最终"对比死亡数得出结论"。每个节点可独立验证。

开放任务："评估 Apple 进入折叠屏手机市场"——根节点下固定四个共享标准：Instruction Following、Comprehensiveness、Readability、Insight。每个标准下有自适应的细分子节点。

这个设计的威力在于：

• 统一框架：同一套结构同时覆盖客观任务和开放任务
• 细粒度奖励：RL 训练时，根节点的部分分数提供了比二元对错更丰富的优化信号
• 自动可扩展：不需要人工写评估脚本，GPT-5 自动把评分树翻译成 Python 验证代码

核心武器二：全合成数据流水线——8000 条任务从哪来

QUEST 的训练数据叫 QUEST-8K，全部合成，零人工标注。

客观任务合成：

1. 从 Google Trends 采样 trending keywords 作为主题种子
2. 用 Claude Sonnet 4.5 自主浏览网页、收集信息、提取可验证约束
3. 组织成评分树
4. 迭代精炼和验证——Claude 自己判断评分树是否一致、可靠
5. 通过验证后，用 GPT-5 生成对应的 Python 评估脚本

开放任务合成：

1. 同样从关键词开始，Claude Sonnet 4.5 做网页探索
2. 评分树的根节点固定四个共享标准（instruction following, comprehensiveness, readability, insight）
3. 子节点自适应生成，由 GPT-5 分配权重（取三次生成的平均以提高稳定性）
4. 用 Claude Sonnet 4.5 生成参考报告
5. 评估时，Judge Model 同时看候选报告和参考报告，分别给 0-10 分，最终分数 = J(候选) / (J(候选) + J(参考))。超过 0.5 表示候选优于参考

注意一个细节：开放任务的评估用了 pairwise normalization——候选报告的质量不是绝对打分，而是相对于参考报告的比例。这避免了不同任务难度不同导致的评分尺度漂移。

核心武器三：三段式训练配方——从适应到模仿到优化

QUEST 的训练不是一次性 SFT 或一次性 RL，而是三个阶段接力：

阶段一：中期训练（Mid-Training）

目标：让基础模型适应长程搜索交互的格式和节奏。

基础模型（Qwen3-30B-A3B 或 Qwen3-35B-A3B）预训练时主要接触的是纯文本，没有多轮工具调用（搜索→阅读→推理→再搜索）的经验。MT 阶段用合成数据让模型熟悉这种交互模式。

阶段二：监督微调（SFT）

目标：教会 Agent 模仿高质量的工具使用轨迹。

SFT 数据包括：

• 客观任务：query + rubric tree + 合成的高质量回答轨迹
• 开放任务：query + rubric tree + 参考报告

论文做了控制实验：仅 SFT 的小模型（2B-35B）在事实检索基准上表现意外强劲——QUEST-2B-SFT 在 HLE 上达到 30.3，GAIA 上 72.8。这说明深度研究能力的很大一部分可以仅通过高质量模仿数据注入，不需要 RL。但开放任务的报告合成对小模型仍较困难。

阶段三：强化学习（RL）

目标：用 rubric-based 信号 优化策略，超越模仿上限。

RL 的奖励不是二元对错，而是评分树根节点的部分分数。这让模型在多维约束下学习权衡：引用完整性和洞察力之间可能有张力，模型需要在 RL 中找到最优平衡。

消融实验（Figure 2 的补充分析）显示：

• Vanilla（无训练）：基线
• +SFT：显著提升
• +MT：在 SFT 基础上进一步提升长程交互能力
• +RL：在 MT+SFT 基础上进一步逼近闭源系统

核心武器四：上下文管理——给 Agent 装上"认知过滤器"

深度研究 Agent 的核心挑战之一是长程信息遗忘。搜索 20 轮后，前面的结论可能淹没在上下文中，Agent 开始"失忆"或"混乱"。

现有开源方案的解法很粗糙：要么限制搜索轮数（牺牲深度），要么依赖超大上下文窗口（成本高、注意力稀释）。

QUEST 的 Context Management 是一个结构化的认知状态机：

Context State（JSON 对象）把积累的知识分三个桶：

1. Trusted（可信）：Agent 已通过来源 URL 验证过的事实。可直接复用，不需要再次验证。
2. Untrusted（不可信）：与其他来源矛盾的声明，附带不信任的原因。被降级处理，除非有新证据要求重新验证。
3. Uncertain（存疑）：部分支持但不够充分的声明，每个都标注了需要跟进访问的 URL 或需要重新查询的关键词。

当上下文窗口超过阈值时，Context Condenser（GPT-5-mini）介入：

• 输入：完整原始历史（搜索查询、结果、访问过的 URL 和内容、推理轨迹、之前的摘要记忆）
• 输出：更新后的 Context State

Condensation 之后，Agent 在一个全新的上下文窗口中继续，只带着结构化的 Context State 作为"记忆"。

这个设计的精妙之处：

• Uncertain entries 直接指导后续行动：Agent 知道哪些线索还需要挖
• Trusted entries 避免重复查询：已验证的事实不再浪费 API 调用
• Untrusted entries 防止循环：Agent 不会反复验证同一个已被证伪的声明

论文在 BrowseComp 和 BrowseComp-Plus 上用了"discard-all"策略（Figure 1 注释），这意味着在长程检索中，QUEST 完全依赖 Context State 来维持认知连贯性，而不是靠上下文窗口硬撑。

实验结果：8 个基准上的全景对比

QUEST-35B 在 8 个基准上的表现：

Figure 1 的全景图更直观：QUEST-35B 在 8 个基准上整体最优（开源侧），部分基准超过闭源系统。

30B 规模的控制实验（QUEST-30B vs Tongyi-DR vs OpenResearcher）：

• Tongyi-DR 在事实检索类基准（BrowseComp、HLE、GAIA）上很强——这和它的单答案合成数据训练方式一致
• OpenResearcher 在 BrowseComp-Plus 上最强
• QUEST-30B 在 Mind2Web 2 和 DeepResearch Bench 上表现最好——说明跨基准的均衡性来自训练配方，而非单纯的参数规模

Scaling 趋势：2B→4B→9B→35B，所有基准上的性能单调递增。这验证了训练配方的可扩展性。

为什么只用 8000 条任务就够了

这是论文中最反直觉的数字。

深度研究 Agent 的训练通常被认为需要海量数据。QUEST-8K 只有 8000 条合成任务，却能支撑从 2B 到 35B 模型的训练。

论文没有明确解释这个数字，但从技术设计可以推断：

1. Rubric Tree 提供了高密度监督信号：每个任务不是单一答案，而是一棵 10-30 个节点的约束树。8000 条任务 = 数十万条细粒度训练信号。
2. 任务本身足够复杂：每条任务都需要多轮搜索、网页访问、推理和综合。Agent 在一条任务上的 trajectory 可能包含 10-50 个步骤，有效数据量被放大了。
3. 质量 > 数量：Claude Sonnet 4.5 生成的合成任务经过了严格的自我验证和迭代精炼，淘汰率可能很高，留下的都是高质量样本。

这和最近几个工作（如 OpenSeeker、Kimi Researcher）的方向一致：合成数据的 scaling law 可能和真实数据的规律不同——合成时可以通过结构设计和验证机制，让少量高质量数据产生巨大的训练效果。

开源的含金量

QUEST 的开源程度在深度研究 Agent 领域是空前的：

• 模型：2B/4B/9B/30B/35B，每个尺寸都有 MT、SFT、MT+SFT、RL 多个 checkpoint
• 数据：RL 数据、SFT 客观数据、SFT 开放数据全部公开
• 代码：推理管道、评估脚本、训练脚本（SFT 基于 LlamaFactory，RL 基于 VERL）、数据生成流水线全部开源
• 配置模板：api_config.yaml、server_endpoints.conf、eval LLM 配置

特别值得一提的是 RL 后端的 recipe——基于 VERL（开源 RL 框架）和 Megatron 的 fully-async 训练流程。这个级别的 RL 基础设施开源，让其他研究者可以在 QUEST 的基础上继续优化，而不是从头搭建。

局限与未解问题

论文没有回避问题：

1. Cached 数据库和中期训练数据仍在法律审查中：论文明确说这部分会等合规确认后再发布。这影响了完整复现——尤其是 RL 训练需要 pre-built 的 search/scholar/visit 数据库。
2. 小模型的开放任务仍然困难：2B-4B 模型在报告合成上表现不佳，说明长文本生成能力对模型规模有硬性要求。
3. Judge Model 的偏差：开放任务的评估依赖 Claude/GPT-5 作为 Judge，这意味着评估本身带有这些模型的偏见。
4. Context Condenser 的单点瓶颈：整个长程一致性依赖 GPT-5-mini 的 condensation 质量，如果 condenser 出错，后续推理都会偏离。

一句话总结

QUEST 用评分树统一了客观任务和开放任务的训练框架，用三段式训练接力把基础模型改造成深度研究 Agent，用结构化的上下文管理解决长程失忆问题，用 8000 条全合成数据就在 8 个基准上追平闭源前沿——然后把所有东西全开源。

它证明了一件事：深度研究 Agent 的训练配方，比模型规模更重要。

参考论文：

• Xie et al. (2026). QUEST: Training Frontier Deep Research Agents with Fully Synthetic Tasks. arXiv:2605.24218.
• Project: https://osu-nlp-group.github.io/QUEST
• Code: https://github.com/OSU-NLP-Group/QUEST
• Models & Data: https://huggingface.co/collections/osunlp/quest

#深度研究 #AIAgent #开源 #OSU #Amazon #Qwen #强化学习 #合成数据 #评分树