阶跃星辰重磅发布：32B参数模型如何实现“深度研究“自动化？

阶跃星辰重磅发布：32B参数模型如何实现"深度研究"自动化？Step-DeepResearch技术全解析

当你需要写一份行业调研报告，可能要花几天时间搜索资料、整理信息、交叉验证。现在，一个32B参数的AI模型就能帮你完成这一切，而且成本不到5毛钱！

引言：AI研究助手的新纪元

想象一下这样的场景：你需要撰写一份关于"新能源汽车电池技术发展趋势"的深度报告。传统方式下，你可能需要：

花数小时在Google、知网上搜索相关论文和新闻
阅读几十篇文章，筛选有价值的信息
交叉验证不同来源的数据
整理成逻辑清晰的报告

这个过程可能需要几天甚至一周。但现在，阶跃星辰（StepFun）团队发布的Step-DeepResearch系统，可以在几分钟内自动完成这一切！

今天我们要解读的这篇技术报告《Step-DeepResearch Technical Report》，详细介绍了这个系统背后的技术原理。让我们一起来看看，AI是如何学会"做研究"的。

一、什么是"深度研究"（Deep Research）？

1.1 从"搜索"到"研究"的跨越

我们日常使用的搜索引擎，本质上是"问答式"的------你问一个问题，它给你一个答案。但深度研究完全不同，它需要：

开放性探索：没有标准答案，需要从多个角度分析
信息整合：综合几十甚至上百个信息源
逻辑推理：不是简单罗列，而是建立因果关系
报告生成：输出结构化、可读性强的专业报告

举个例子：

搜索问题："特斯拉2024年销量是多少？" → 答案：xxx万辆
研究问题："分析特斯拉在中国市场的竞争策略及未来趋势" → 需要一份完整的分析报告

图1：Step-DeepResearch的性能与成本对比

图1：Step-DeepResearch在成本效益和专家评估中的表现。左图显示成本与性能的关系，右图显示与OpenAI DeepResearch的人工对比评估结果。可以看到，Step-DeepResearch以极低的成本（<0.50元/次）实现了与顶级商业系统相当的性能。

1.2 现有方案的局限性

目前市面上的深度研究系统主要有两类：

第一类：基于工作流的系统

代表：OpenAI DeepResearch、Gemini DeepResearch、Claude Research
特点：依赖复杂的外部工作流编排，系统复杂度高
问题：像"搭积木"一样拼凑各种模块，灵活性差

第二类：端到端优化的系统

代表：DeepResearcher、Kimi-Researcher
特点：直接训练模型完成整个研究流程
问题：缺乏对"原子能力"的系统性构建

Step-DeepResearch的创新之处在于：将深度研究分解为可训练的"原子能力"，然后通过渐进式训练让模型掌握这些能力。

二、核心创新：原子能力数据合成策略

2.1 什么是"原子能力"？

论文提出了一个非常精妙的思路：**与其让模型学习"预测下一个词"，不如让它学习"决定下一个动作"**。

这就像教一个人做研究：

传统方式：给他看100篇研究报告，让他模仿
原子能力方式：分别教他"如何制定计划"、"如何搜索信息"、"如何验证事实"、"如何撰写报告"

论文将深度研究分解为四大原子能力：
图4：Step-DeepResearch系统架构

图4：Step-DeepResearch的系统架构图。展示了基于ReAct循环的规划-执行-反思流程，以及丰富的工具集（网页浏览、代码执行、知识管理等）。

2.2 能力一：规划与任务分解

核心问题：如何让AI学会"制定研究计划"？

解决方案：逆向工程合成

这是一个非常聪明的方法：

收集大量高质量的研究报告（技术报告、金融分析报告等）
让AI"逆向推导"：这份报告是为了回答什么问题？作者做了哪些步骤？
生成"任务→计划→执行轨迹"的训练数据

举个例子：

复制代码

原始报告：《2024年中国新能源汽车市场分析》

逆向生成：
- 任务：分析中国新能源汽车市场现状和趋势
- 计划：
  1. 收集2024年销量数据
  2. 分析主要厂商市场份额
  3. 研究政策环境变化
  4. 预测未来发展趋势
- 执行轨迹：搜索→阅读→整理→验证→撰写

轨迹一致性过滤：为了保证数据质量，论文还设计了过滤机制，确保生成的执行轨迹与预设计划高度一致。

2.3 能力二：深度信息检索

核心问题：如何让AI学会"多跳搜索"？

什么是多跳搜索？举个例子：

问题："谁是马斯克妻子的前男友？"
第一跳：搜索"马斯克妻子是谁" → Grimes
第二跳：搜索"Grimes前男友是谁" → 答案

解决方案：图合成与多文档合成

论文使用了两种方法生成训练数据：

方法一：知识图谱采样

在Wikidata5m等大型知识图谱上采样子图
根据子图结构生成多跳问题
例如：A→B→C的关系链 → "A的B的C是什么？"

方法二：超链接拓扑游走

从维基百科等网站出发
沿着超链接"游走"，收集关联页面
生成需要跨多个页面才能回答的问题

2.4 能力三：反思与验证

核心问题：如何让AI学会"自我纠错"？

这是深度研究中最关键的能力之一。互联网上充斥着错误信息，AI必须学会：

识别信息冲突
交叉验证事实
在发现错误时调整策略

解决方案：错误反思循环

论文设计了一个多轮反思机制：

专家模型生成初始研究轨迹
验证模型检查轨迹中的错误
反思模型分析错误原因并提出修正
重复步骤2-3，直到结果满意

图3：强化学习训练过程中的奖励曲线

图3：RL训练过程中的奖励曲线。可以看到，随着训练的进行，模型的奖励值持续上升，说明模型在不断学习如何更好地完成深度研究任务。

深度验证工作流：论文还设计了一个多代理协作的验证系统：

Extract Agent：提取报告中的关键声明
Plan Agent：制定验证计划
Verify Agent：执行验证
Replan Agent：根据验证结果调整
Report Agent：生成最终验证报告

2.5 能力四：报告生成

核心问题：如何让AI写出高质量的研究报告？

这不仅仅是"把信息堆在一起"，而是需要：

逻辑清晰的结构
恰当的领域风格
准确的引用标注
适当的内容深度

解决方案：两阶段训练

第一阶段（中训练）：学习领域风格和内容深度

让模型阅读大量专业报告
学习不同领域的写作风格（金融报告vs技术报告）

第二阶段（SFT）：学习格式规范

严格遵循预设的报告结构
正确引用信息来源
保持内容与计划的一致性

三、渐进式训练流程

论文提出了一个三阶段训练流程，这是让32B参数模型具备深度研究能力的关键。

3.1 第一阶段：中训练（Mid-training）

目标：为模型注入基础的原子能力

这个阶段分为两个子阶段：

32K上下文阶段：

注入规划、信息检索等基础能力
数据包括：百科知识、学术论文、合成的推理数据

128K上下文阶段：

引入工具调用能力
学习长时程推理（处理超长文档）

图2：中训练期间的性能变化

图2：中训练期间在不同任务上的性能趋势。可以看到，在FRAMES任务上提升了10.88%，说明模型的多跳推理能力得到了显著增强。

数据组成（表1-2）：
数据类型比例说明百科/学术数据 30% 维基百科、学术论文合成知识 25% 知识图谱生成的QA 摘要数据 20% 长文档摘要推理数据 15% 多步推理任务工具调用 10% 搜索、代码执行等

3.2 第二阶段：监督微调（SFT）

目标：让模型学会完整的深度研究流程

这个阶段使用两类数据：

Deep Search数据：

多跳搜索任务
强调信息检索的准确性

Deep Research数据：

开放性研究任务
强调报告的完整性和深度

数据清洗策略：

轨迹效率优化：去除冗余的搜索步骤
鲁棒性控制：保留一些"走弯路"的轨迹，增强模型的容错能力
认知去重：避免相似任务的重复训练

3.3 第三阶段：强化学习（RL）

目标：在真实环境中优化策略

这是最关键的阶段。论文使用PPO算法在真实的多工具环境中训练模型。

奖励设计 ：论文训练了一个专门的Rubrics Judge模型来评估研究报告的质量：

信息完整性（是否覆盖了所有关键点）
内容深度（分析是否深入）
引用质量（来源是否可靠）
逻辑连贯性（论述是否清晰）

每个维度都有细粒度的评分标准，确保奖励信号的准确性。

四、系统架构设计

4.1 ReAct循环

Step-DeepResearch采用了经典的**ReAct（Reasoning + Acting）**架构：

复制代码

循环开始
  ↓
思考（Reasoning）：分析当前状态，决定下一步
  ↓
行动（Acting）：调用工具执行操作
  ↓
观察（Observation）：获取执行结果
  ↓
反思（Reflection）：评估是否需要调整计划
  ↓
循环继续或结束

4.2 工具集

系统配备了丰富的工具：
工具名称功能说明 batch_web_surfer 批量网页浏览同时访问多个网页 todo 任务管理跟踪研究进度 shell 代码执行运行Python等代码 knowledge_base 知识管理存储和检索已获取的信息

4.3 关键设计亮点

1. 权威信息获取

建立了600+权威站点索引
支持段落级精准检索
优先从可信来源获取信息

2. 知识管理优化

基于补丁的编辑机制，节省70%的token消耗
隐式上下文管理，避免信息过载

3. 交互执行环境

沙箱环境保证安全性
视觉冗余消除策略，提高效率

五、ADR-Bench：首个中文深度研究评测基准

5.1 为什么需要新的评测基准？

现有的评测基准（如ResearchRubrics、BrowseComp）主要面向英文场景，缺乏对中文深度研究的覆盖。

论文提出了ADR-Bench（Agent Deep Research Benchmark），专门针对中文场景设计。
图5：ADR-Bench查询分布

图5：ADR-Bench的查询分布，覆盖9大领域：法律、金融、计算机、教育、医疗、社会生活、科学工程、政治、哲学。

5.2 评测设计

双轨评估机制：

通用领域评估：

采用人工盲审比较
评估维度：信息完整性、内容深度、逻辑连贯性、引用质量

专业领域评估：

专家设计细粒度Rubrics
每个领域有特定的评分标准
强调原子性（每个标准独立）和可验证性（可客观判断）

六、实验结果分析

6.1 主要结果

ResearchRubrics评测（英文）：
图6：ResearchRubrics评测结果

图6：在ResearchRubrics基准上的评测结果。Step-DeepResearch得分61.42，仅次于Gemini DeepResearch（63.69），超越了OpenAI DeepResearch。
模型得分成本（每次） Gemini DeepResearch 63.69 ~5元 Step-DeepResearch 61.42 <0.50元 OpenAI DeepResearch 60.8 ~3元 Kimi-Researcher 55.2 ~1元

关键发现：Step-DeepResearch以不到Gemini 1/10的成本，实现了相近的性能！

ADR-Bench评测（中文）：
图7：ADR-Bench人工评估结果

图7：ADR-Bench人工评估结果（胜-平-负统计）。Step-DeepResearch以30胜21负的成绩超越OpenAI DeepResearch。

6.2 细粒度分析

优势领域：
图8：ResearchRubrics分维度得分

图8：在ResearchRubrics各维度上的得分对比。Step-DeepResearch在隐式标准（54.5）、引用质量（57.0）、沟通质量（58.2）等维度表现出色。

隐式标准：54.5分（理解用户未明确表达的需求）
引用质量：57.0分（信息来源可靠性）
沟通质量：58.2分（报告可读性）

待改进领域：
图9：ResearchRubrics分领域得分

图9：在不同研究领域的得分对比。Step-DeepResearch在STEM（64.7）和哲学（46.1）领域的表现落后于Gemini。

STEM领域：64.7分（需要更强的科学推理能力）
哲学领域：46.1分（需要更深的抽象思维能力）

6.3 ADR-Bench细粒度评估

图10：ADR-Bench细粒度评估结果

图10：ADR-Bench在各评估维度上的细粒度结果，包括信息完整性、内容深度、逻辑连贯性、引用质量等。

七、技术启示与未来展望

7.1 核心技术启示

1. 原子能力分解是关键

不要试图让模型"一步到位"学会复杂任务
将任务分解为可训练的原子能力
分别优化，再整合

2. 数据质量比数量更重要

逆向工程合成保证了数据的高质量
轨迹一致性过滤避免了噪声数据
认知去重提高了训练效率

3. 渐进式训练的有效性

中训练→SFT→RL的路径经过验证
每个阶段有明确的目标
避免了"一锅炖"的训练方式

7.2 现有挑战

论文也坦诚地指出了当前系统的不足：

1. 工具使用鲁棒性

在复杂场景下，工具调用可能失败
需要更好的错误处理机制

2. 高噪声环境下的事实一致性

互联网信息质量参差不齐
模型有时会被错误信息误导

3. 长时程任务的稳定性

超长研究任务中可能出现"迷失方向"
需要更强的全局规划能力

7.3 未来方向

论文提出了几个有前景的研究方向：

1. 多代理协作

专门的规划者、检索者、验证者
分工协作，各司其职

2. 环境适应性

根据任务类型动态调整策略
更好地处理不同领域的研究任务

3. 可追溯性优化

让用户能够追踪每个结论的来源
增强报告的可信度

八、总结

Step-DeepResearch是一个里程碑式的工作，它证明了：

32B参数的模型可以实现专家级深度研究能力
原子能力分解+渐进式训练是有效的技术路径
低成本高质量的AI研究助手是可行的

对于普通用户来说，这意味着未来我们可以用极低的成本，获得专业级的研究支持。无论是写行业报告、做市场调研，还是学术文献综述，AI都能成为我们的得力助手。

对于AI研究者来说，这篇论文提供了宝贵的技术参考：

如何设计原子能力
如何合成高质量训练数据
如何进行渐进式训练
如何评估深度研究系统

论文信息：

标题：Step-DeepResearch Technical Report
作者：Agent-Team, StepFun（65位作者）
arXiv：2512.20491v4
GitHub：https://github.com/stepfun-ai/StepDeepResearch

如果你对深度研究AI感兴趣，欢迎关注我们，获取更多前沿技术解读！