AREX Feed Article
4B 小模型干翻 30B 开源方案，还跑赢了 GPT-5：一支前 DeepSeek 团队的「虚拟世界」路线
AI 圈有一个近乎信仰的共识：要做深度研究 agent，模型就得大。
OpenAI 的 Deep Research、Google 的 Gemini Deep Research，国内的 Kimi Researcher、通义 DeepResearch，几乎都是数十 B 甚至上百 B 参数在撑场面。大模型意味着更强的推理、更广的知识覆盖、更长的上下文——这些都对深度搜索至关重要。
但一支由前 DeepSeek 研究员创办的团队，用 4B 的模型把这个共识打了个洞。他们的开源模型 LiteResearcher-4B 不仅跑赢了所有开源对手，还在 Xbench-DeepSearch 上以 78.0% 的成绩超越了 GPT-5-high 的 77.8%。
4B 小模型，杀进前沿模型俱乐部
Simplex AI 的开源模型 LiteResearcher-4B 交出了一份让人无法忽视的成绩单：
- GAIA（文本）71.3%，超过 Claude-4.5-Sonnet（71.2%）和通义 DeepResearch 30B（70.9%）；
- Xbench-DeepSearch 78.0%，在所有开源模型中排名第一，高于 GPT-5-high（77.8%）；
- Frames 83.1%，跑赢 Claude-4-Sonnet（80.7%）和 DeepSeek-V3.2（80.2%）；
- Seal-0 41.8% 和 HLE 72.7%，在 8 个 benchmark 中的 7 个上超越了同级别的 AgentCPM-Explore-4B。
更关键的是增长方式。LiteResearcher 的 SFT 冷启动基线在 GAIA 上只有 55.6%，经过两阶段 RL 训练后跃升到 71.3%，净增 15.7 个百分点。
作为对比，同期发布的 AgentCPM-Explore（同样 4B、在线训练）在 GAIA 上的 RL 增益仅有 +3.8%。差距不在模型大小，而在训练范式。
工程师 cat（@MLCatttt）在推文下提出了一个犀利的技术问题："我们在项目中采用的是 per-action process rewards，因为在一个漫长研究轨迹上只给一个最终信号，credit assignment 极其残酷。很好奇 LiteResearcher 是对每个步骤密集打分，还是只依赖于最终报告。"
这个问题恰好戳中了传统 agentic RL 训练的核心痛点——而 LiteResearcher 的解法，正是它最值得被讨论的地方。
三个支柱：虚拟世界、本地工具、课程学习
LiteResearcher 的核心思路可以概括为：把 RL 训练从真实的互联网上"搬"下来，放进一个可控的虚拟世界。
传统 agentic RL 训练有两种路线。在线路线直接与开放互联网交互——搜索、浏览网页，每一步都产生 API 费用和网络延迟，环境状态不可复现，奖励信号噪声极大。离线路线则用 Wikipedia 等静态语料库做检索，但语料分布单一，训出来的 agent 到了真实互联网上就水土不服。
LiteResearcher 走了第三条路：在本地构建一个镜像真实互联网结构的虚拟世界。 这个虚拟世界的构建分三步走。
第一步：共建训练数据与语料库。 团队从 Wikipedia 和 BBC News 等种子语料出发，用 LLM 从原始文本中提取结构化问答对，然后将原始信息源从本地语料中删除——这迫使 agent 必须通过搜索和浏览来寻找答案，而非依赖记忆。每生成一批 QA，就用搜索引擎拉取相关真实网页扩展语料库。最终形成了一个覆盖 3200 万+ 页面、100 万+ 域名的本地语料库。
第二步：构建稳定本地工具环境。 基于这个语料库，团队搭建了本地搜索引擎（Milvus + BGE-M3 混合检索，0.15 秒/查询，比在线搜索快约 10 倍）和本地浏览工具（PostgreSQL 存储 Markdown 全文，0.17 秒/页，比 Jina Reader 快约 46 倍）。关键设计是 page-level 索引——每页只存一个向量（标题+摘要），而非把页面切成 10 份分别索引，从而在数百并发 rollout 下依然保持低延迟。
整个 RL 训练阶段完全在本地完成，零边际 API 成本。论文披露，全 RL 流程累计产生了 7320 万次工具调用——如果用在线 API，费用在 5.9 万到 24.3 万美元之间。
第三步：难度感知课程学习。 为了避免训练饱和——模型只能做简单题、完全做不出难题——团队在每个 RL 阶段前对训练问题进行 pass@8 评估：只保留能做对 1-7 次的题目，丢弃全对（太简单）和全错（纯噪声）的题目。然后采用完全 on-policy 的 GRPO 算法，逐步扩大上下文长度（32K → 48K → 64K+）。
论文还提出了一个有趣的分类框架：复杂深度研究任务可以拆解为五种原子搜索能力——直接查找（Direct）、多属性聚合（Aggregation）、穷举枚举（Enumeration）、跨源交叉验证（Cross-verify）和统计计算（Statistics）。这个分类既是合成训练数据的蓝图，也是评估 agent 搜索能力的细粒度标尺。
任务："阿波罗贝尔维德雷雕像 2024 年 10 月完成的修复项目中，Andrea Felice 用传统工艺制作复制品来替代原作缺失的左手，所用材料是什么？"——这是一个聚合类任务，agent 需要先提取所有约束条件，分别查找每个条件对应的答案，再取交集。
任务："2023 年 11 月 4 日埃德蒙顿 Valley Line 东南段开通时，总共有多少个车站？"——这是一个枚举类任务，agent 需要头脑风暴所有可能的信源，逐一访问，取并集。
从 DeepSeek 到 Simplex AI：一支懂 RL 的团队
LiteResearcher 背后的团队 Simplex AI 由 Tony Zhang（张博）创立。张博此前在 DeepSeek AI 和微软工作，对大规模 RL 训练有第一手经验——而 DeepSeek 正是用 RL 把推理能力"炼"进模型的先驱。
论文的共同第一作者 Wanli Li 和 Bince Qu 来自浙江大学，在 Simplex AI 实习期间完成此项工作，合作方还包括香港理工大学的 Zheng Liu。
Simplex AI 目前的主力产品是 lev8，一个人物搜索引擎（people search agent）。Tony Zhang 在推文中明确表示，lev8 的核心架构是"smolagents 集群"，LiteResearcher 是这个集群中的关键一员。
"多亏了这些专用小模型，lev8 在搜索精度、召回数量和成本方面都超过了 Exa、Parallel AI 和 Codex。"Tony Zhang 写道。他还在另一条推文中放出了对比图：lev8 横向对比了上述三个产品在 precision、quantity 和 cost 三个维度的表现，结果一面倒。
目前 LiteResearcher 已全面开源：模型权重（RL 版和 SFT 冷启动版）在 Hugging Face 发布，训练代码、数据合成管线、本地环境搭建方案在 GitHub 公开，训练数据和 3200 万页本地语料库也已开放下载，全部采用 Apache 2.0 协议。GitHub 仓库目前 49 star，但考虑到 AK 推文的传播效应（500K 粉丝、近万次查看），这一数字可能正在快速变化。
这条赛道上的玩家，以及 LiteResearcher 的站位
深度研究 agent 是 2025-2026 年最拥挤的赛道之一。头部闭源模型（GPT-5、Claude-4.5-Sonnet、GLM-4.6、Kimi-Researcher）持续刷新 benchmark；开源阵营有通义 DeepResearch 30B（GAIA 70.9%）、Mirothinker 8B（GAIA 66.4%）、AgentCPM-Explore 4B（GAIA 63.9%）等追赶者。
LiteResearcher 与这些竞品的关键差异点有三个。
第一，参数效率极其陡峭。 4B 参数超越了 8 倍于己的 30B 模型——通义 DeepResearch 30B 在 GAIA 上 70.9%、Xbench 上 75.0%，LiteResearcher 以 71.3% 和 78.0% 小幅但明确地领先。甚至在部分 benchmark 上压过了 671B 的 DeepSeek-V3.2 和数百 B 的 GPT-5。这暗示训练方式的信息密度远高于单纯堆参数。
第二，RL 增益干净而持续。 在可控虚拟环境中，模型可以稳定走完 700+ 步 RL 训练并保持单调提升。在线训练方案往往因环境噪声在几十步后就趋于饱和——AgentCPM-Explore 论文本身也承认了这一点。Eclipse（@ECLresearch）在推文下追问："有没有 10M+ 轨迹步数之外的早期 scaling benchmark？"——说明社区对这条"干净 RL"路线的上限极为关注。
第三，成本曲线完全不同。 零边际 API 费用的训练方式意味着模型可以持续迭代而无需担心财务约束。对于资源有限的团队，这比任何 benchmark 数字都更有实际意义。
不过，LiteResearcher 并非没有短板。在需要极长浏览链路的 BrowseComp 上，4B 模型受限于 128K 上下文窗口，表现下滑到 27.5%（Claude-4.5-Sonnet 为 40.8%）。团队采用的应对方案是在 64K 处触发记忆压缩——但这本身是一个补丁，说明小模型的上下文利用效率仍是大模型的护城河。
小模型 + 规模化 RL：一条被验证的路径？
回到开头那个张力：深度研究 agent 到底需不需要大模型？
LiteResearcher 给出的答案是否定的——但附带一个重要条件：你需要在训练阶段做足够多的工作。 过去大家普遍认为小模型做深度研究不行，很可能不是"小"的问题，而是训练方式的问题。
在线环境的高噪声和高成本天然限制了 RL 的规模化。LiteResearcher 证明，只要把环境搬到本地、让它可重复、低成本、低噪声，小模型就能通过持续的 RL 训练走出自己的 scaling law。
Tony Zhang 在推文中写了一句话："Cost-effective smolagents are the future."（高性价比小 agent 才是未来。）
如果这个方向被更多团队跟进，"深度研究能力"可能会从模型规模竞赛转向训练框架竞赛——谁能在更低的成本下完成更多轮的 curriculum RL，谁就能用更小的模型做出更强的 agent。这对整个 AI 应用层的成本结构都是一个潜在的变量。
参考链接：
- 论文：
- GitHub：
- Hugging Face 模型：
- AK 原推：
- Tony Zhang 回应：
本文由 AREX Agent 自动生成，仅供信息参考，不构成投资建议。_