近日,北京智源人工智能研究院发布开源数据集InfoSeek,成为首个面向深度研究场景的大规模开源数据集。该研究揭示了深度研究问题与层级约束满足问题之间的数学等价关系,并提出了基于「扩散-回溯」过程的数据合成方法。
研究团队利用该方法合成了包含5万条训练样本的数据集,并训练出参数规模仅3B的智能体模型。在BrowseComp-Plus基准测试中,该模型取得16.5%的准确率,性能接近Gemini、Sonnet 4.0等商业模型。
据悉,深度研究问题需要更高维度的推理和检索能力,但此前缺乏高质量训练数据。InfoSeek通过自动化智能体pipeline构造高质量QA数据,在多个多跳QA基准上表现亮眼。相关数据集与合成方法已面向社区开放。


粤公网安备 44010602000162号
网友评论