WebSailor团队 投稿

量子位 | 公众号 QbitAI

在互联网信息检索任务中，即使是很强的LLM，有时也会堕入“信息迷雾”之中：当问题通俗、旅途明确时，模子时时能诈骗挂念或一两次搜索就找到谜底；但面对高度不细目、痕迹微辞的问题，模子就很难作念对。

举个例子，咱们等闲问一个直白的问题（比如“某城市的东谈主口是若干”），搜索引擎一查即可。

但若是问题被遐想得相配复杂，比如“这首与南好意思某都门密切联系的乐曲，其歌词作家在21世纪初获颁当地荣誉名称，其旋律创作家曾就读于哥伦比亚西部的一所着名艺术学院。这首乐曲叫什么？”，东谈主类和AI都很难径直找到进口。

这类问题需要阅读好多网页、抽丝剥茧地勉强痕迹，冉冉把迷雾拨开，才能找到谜底。这超出了东谈主类有限挂念和提防力的负荷，也远远超出了普通开源模子的才略范围。

有莫得见解让路源的大模子也掌持这种透露无遗的智力？

阿里巴巴通义实验室最新提议的决策WebSailor通过一整套鼎新的post-training方法，大幅栽植了开源模子在复杂网页推理任务上的阐述。

伸开剩余92%

此前开源的Agent在肖似BrowseComp这么复杂的、超过东谈主类才略规模的基准上简直为零，WebSailor成为首个挑战BrowseComp基准的开源蚁集智能体。

BrowseComp难在哪

OpenAI于2025年4月发布BrowseComp，它的挑战在于将谜底痕迹拆解得极其破碎，并散布在不同类型和期间的微辞信息源中，造成一张巨大的“信息迷雾网”。这就条目智能体必须主动在浩荡的互联网中征集信息，从海量内容中过滤掉无关的噪声，再通过严实的多步推理和交叉考据，才能将悉数痕迹串联起来。

比如底下这个问题，条目智能体跟踪一个横跨大陆、波及几代东谈主的间谍蚁集：

有一位间谍A，他会说多种话语，并在一篇2023年对于其步履期间的书评中被说起。他的妃耦是间谍B，B曾在不同大陆步履，并两次透露身份：第一次是在欧洲某国，与两名好意思国东谈主一同被警方逮捕，他们的间谍蚁集被破获；第二次是在亚洲，意外间向一群番邦军官透露了身份。此外，间谍B如故另又名间谍C的上线（handler），而C的孙子在2014年写过一篇对于联系谍报机关档案公布的著述。这两位间谍A和B还有一个孩子，自后该孩子以异见分子的身份被逮捕，在法庭上暗示我方无罪，最终其服刑期间短于原判。间谍A还曾协助又名记者为写演义提供府上。

求教：这名记者的国籍是什么？

有一位间谍A，他会说多种话语，并在一篇2023年对于其步履期间的书评中被说起。他的妃耦是间谍B，B曾在不同大陆步履，并两次透露身份：第一次是在欧洲某国，与两名好意思国东谈主一同被警方逮捕，他们的间谍蚁集被破获；第二次是在亚洲，意外间向一群番邦军官透露了身份。此外，间谍B如故另又名间谍C的上线（handler），而C的孙子在2014年写过一篇对于联系谍报机关档案公布的著述。这两位间谍A和B还有一个孩子，自后该孩子以异见分子的身份被逮捕，在法庭上暗示我方无罪，最终其服刑期间短于原判。间谍A还曾协助又名记者为写演义提供府上。

求教：这名记者的国籍是什么？

比拟之下，闭源系统频年来自满出惊东谈主的实力。

OpenAI的DeepResearch在极其复杂的信息检索挑战中达到了超过东谈主类的阐述。

这些系统能在复杂网页任务（如BrowseComp中需要高出繁多网站寻找袒护信息的问题）上取得东谈主类群众都难以企及的获利，其关键在于“不细目性消解推理才略”。

但缺憾的是，这些闭源决策如同黑盒，其里面道理和考试方法不知所以。这使盘考者和开源社区难以鉴戒这些告捷教学，开源模子与闭源顶尖模子之间一直存在赫然的才略鸿沟。

WebSailor的中枢方法

WebSailor的本领决策涵盖从数据到考试的全经过鼎新：领先，大领域合成具有高不细目性（uncertainty）的复杂任务数据（称为SailorFog-QA）；

然后，借助开源reasoning model获取多轮器具调用轨迹再重构推理过程，并基于Qwen-2.5-72b-instruct和Qwen-2.5-32b-instruct进行RFT冷启动考试；临了，引入高效的强化学习算法DUPO进一步栽植模子的决策才略。

通过这一系列门径，WebSailor 大幅度栽植了开源模子在复杂信息检索任务上的才略，在 BrowseComp-en/zh等基准上全面超过此前悉数开源决策。

SailorFog-QA：高不细目性任务的大领域生成

WebSailor 团队领先界说了information seeking任务中的三个头绪：

level-1：任务具有较低的不细目性，且易于裁减不细目性。这类任务包括模子不错通过自身常识或一次通俗的蚁集检索即可解答的问题。

level-2：如多跳问答（multi-hop QA），启动不细目性较高，但有领略的惩处旅途。诚然需要多步推理，但联系实体之间由明确的逻辑料到，通过有序的推理设施，不错系统性地裁减不细目性。

level-3：本盘考的重心，波及高不细目性且难以摒除的问题。此类任务中的实体之间关系复杂、难以事前界说推理旅途。惩处这类问题需要创造性的探索和新颖的推理花式，而这些时时难以被东谈主工明确划定。

要让模子学到超过东谈主类的复杂推理模式，领先需要让模子见过填塞多高不细目性的难题。为此，WebSailor 团队构建了名为SailorFog-QA的大领域合成数据集。该数据通过图结构采样和信息微辞化来生成，格外用于老练模子在顶点不细目环境下的检索与推理才略。

当场游走建图，构造复杂常识结构：

盘考者效法当场游走（random walk）的花式，在确实网页上爬取信息并构建常识图谱。领先从维基数据等常识库中登第冷门实体行为起始，确保问题具有袒护性。然后在悉数这个词互联网中不断当场延迟图谱，将更多联系实体和关系加入其中，造成一个高度非线性、繁密连气儿的常识蚁集。与传统多跳推理那种线性链式结构不同，这种当场图中莫得预界说的解题阶梯。它为模子营造了一个迷雾般的信息空间，迫使模子发展出创造性探索政策。

子图采样生成问题，微辞细节加多不细目性：

在得到复杂常识图后，从中当场采面容图，据此遐想问答对。这些问题波及子图中的多个实体和关系，问题与谜底时时横跨多个领域，构成了丰富各种的信息蚁集。为进一步栽植难度，WebSailor对问题内容进行了刻意的“微辞化”处理。举例，将实在年份表述成朦胧的期间段（“21世纪初”），将东谈主物姓名隐去一部分（“由姓名首字母为F的东谈主创立的机构”），或用定性形色替代精准数值（“阛阓占有率不到1%”）。这种信息微辞化径直提高了启动不细目性，使模子无法通过通俗的精准匹配或查找立即得出谜底。它必须信得过意会、推理和比较无边信息后，才能抽丝剥茧找到痕迹。

生成的SailorFog-QA数据具有以下杰出优点：

确实且逼近确实互联网散播：悉数问题都源自确实互联网内容，确保模子考试所面对的挑战逼近试验网页环境。模子需要像现实中那样在海量错落的信息中找寻谜底，而非联想化的合谚语料，也幸免了沿路信息来自举例Wikipedia这么的单一信息源。

各种的复杂推理模式：不同子图拓扑结构当然产出了各种千般的问题类型，涵盖多步演绎、组合推理、比较分析等复杂推理需求。这迫使模子老练广谱的推理妙技，而非局限于某单一套路。

领域可延迟：

由于从一个图谱不错采样出多种子问题，且图谱自身可当场延迟，SailorFog-QA 的生成高度可延迟，无意非线性地增长产生海量的珍视问题。这为大领域考试提供了充足燃料。

通过上述政策，盘考团队生成了数目雄壮、难度空前的考试问题。其中好多问题之复杂，即使是教学丰富的东谈主类盘考者在有限期间内也难以解答。在里面测试中，一些题目以致需要OpenAI的o3调用多达40次器具才能找到谜底，这充分阐发了SailorFog-QA任务的启动不细目性之高，以及要解答它们所需推理链条之长。

为了让模子学习惩处这些复杂问题，还需要相应的惩处问题的轨迹用于考试。对此，盘考团队借助开源的LRM（如QWQ和DeepSeek R1）来尝试恢复SailorFog-QA的问题，蚁集它们与环境交互的轨迹，诚然开源模子在这些复杂问题上正确率不高，但通过拒绝采样，依然不错获取填塞的冷启动数据。但它们原生的推理输出并不符合径直进行微调，这些模子阐述出高度固定且冗长的想维过程，若是效法这些模子，可能会甩手受训智能体建树自身纯真探索性政策的才略。此外，在需要数十次器具调用的长周期 Web 任务中，它们冗长的想维链很快就会占满落魄文窗口，导致性能和可读性下落。为了惩处这些问题，盘考者提议了一种新方法：使用这些开源 LRM 生成的正确Action-Observation轨迹，然后重构Thought过程。确保每一步Thought的爽气和行动导向，由此构建了一个干净、有用的RFT数据集，不错捕捉LRM惩处问题的逻辑过程，而不围剿袭它们固定的作风和冗长的推理。

有了高难度的问答对和对应的解题轨迹后，盘考者领先进行了RFT冷启动考试。RFT（拒绝采样微调）挑选高质料的解题轨迹对模子进行初步对皆。频年来有盘考建议在RL考试前跳过SFT，但在如斯复杂的网页环境下，团队发现限制的RFT冷启动至关遑急。因为此类任务的奖励极其零碎，若是不先造就模子基本的器具使用和想维框架，径直强化学习将濒临简直蚁集不到有用教学的问题。WebSailor 仅使用了几千条高质料轨迹进行冷启动微调，就有用地让模子掌持了基本的ReAct式推理和器具调用习尚。这为后续的强化学习阶段打下了必要的基础。

DUPO：高效的强化学习考试框架

在完成初步微调后，WebSailor 干与强化学习阶段，以进一步栽植模子的决策政策。复杂网页任务下的Agent强化学习相配珍视：每一次推理都波及多轮与浏览器环境的交互（搜索、阅读网页等），导致一条轨迹可能包含数十步。这种多轮器具调用使单次考试耗时长、样本效果低。传统RL方法若不加改良，模子在这么的环境放学得会相配慢。

为此，团队提议了全新的高效强化学习算法DUPO（Duplicating Sampling Policy Optimization）。DUPO 在考试中引入了双阶段动态采样政策，大幅提高了考试效果，确保即使在密集器具交互的情境中，也能快速迭代模子。

DUPO的中枢想想有两点：

考试前过滤通俗样本

领先，在厚爱RL考试前，剔撤离过于通俗的考试QA——举例那些模子依然不错纯粹通过的案例。这些例子对政策改良简直莫得孝顺，反而花消考试资源。通过事前过滤，保证考试中模子主要面对具有挑战性的QA。

考试中重迭采样珍视轨迹：在每个考试批次（batch）里面，DUPO会监测各条轨迹的阐述相反。

具体来说，若是并吞批中某些问题的解答遣散存在不细目性（不同尝试间遣散相反大），就以为这些问题仍有学习价值。此时，与其用无关的填充来凑满Batch，不如将这些尚未透彻学会的样本复制多份，重迭放入现时批次进行考试。这么模子在一次迭代中屡次老练这些毒手案例，十分于对珍视样本加大考试力度。而对于模子已掌持或透彻无解的样本，则不花消特殊元气心灵。这种Batch内动态复制的政策，使每个Batch都被充分诈骗。

通过以上改良，比拟于DAPO这类为batch作念填充的动态采样，DUPO 将复杂Agent的RL考试速率栽植了约2–3倍。考试过程中，WebSailor 还采取了严格的奖励遐想：集聚样式正确性和谜底准确性两个方面评估轨迹。模子只须既投诚了预定的想维-行动样式（如正确使用和标签等），又最终找到正确谜底时，才能获取高分奖励。这一遐想根绝了奖励Hack步履，促使模子栽植推理链条的有用性。

实验遣散：超过DeepSeek R1, GPT-4.1, Grok-3等一系列开闭源模子

经过上述一系列考试之后，WebSailor在多个benchmark集上阐述优秀，成为现时最强的开源蚁集智能体。论文在BrowseComp-en、BrowseComp-zh、XBench-DeepSearch和GAIA等挑战性基准上对WebSailor进行了评测。

概括来看，WebSailor在各项复杂网页信息任务中全面刷新了开源获利的记录。尤其是在最珍视的BrowseComp基准上，WebSailor展示出的才略充分考据了作家的中枢假定：只须让模子考试中履历过那些高度不细主见难题，模子才能学会信得过顽强的通用推理和筹算政策。换言之，WebSailor通过“制造迷雾再穿越迷雾”的考试，赋予了模子以前所穷乏的非线性推理才略，超过了DeepSeek R1, GPT-4o, Grok-3等一系列开闭源模子。诚然现在DeepResearch等闭源决策仍保有一定上风，但WebSailor的崛起无疑证明了开源模子透彻有契机迎头赶上。

对通俗任务的兼容性

WebSailor仅在高难度数据上进行考试，而BrowseComp-en/zh、GAIA以及Xbench凭据咱们的界说，都可归类为level-1或level-2的任务。为了考据WebSailor在更通俗的一级任务中是否依然阐述优异，咱们在SimpleQA的子集上评估了其性能。SimpleQA圆善数据集包含4326对QA对。由于在悉数这个词数据集上测试十分耗时，咱们当场抽取了200对进行评测。该benchmark以高准确性和基于事实的通俗问题为秉性，这类问题对于先进的LLM来说径直解答仍具挑战性。遣散如下图所示，简直悉数基于Agent的方法都优于径直作答。其中，WebSailor的阐述超过了悉数其他方法，即使在通俗任务上也展现出极强的兼容性和有用性。

雅致与瞻望

WebSailor的告捷具有遑急的行业道理。领先，它大幅放松了开源与闭源网页智能体之间的才略鸿沟。夙昔，只须顶尖闭源模子才能兑现起初进的推理和信息检索才略。而WebSailor通过创造性地构造数据和考试经过，证明了这一差距并非不可逾越。这饱读吹了开源社区：即使在复杂webagent这种高度挑战性的任务上，开源决策也有但愿自后居上。WebSailor依然开源了部分SailorFog-QA数据，并行将开源模子checkpoint，这对资源有限的团队和盘考者来说，无疑是一个令东谈主高潮的音问。

其次，WebSailor提供了一个通用的workflow，可鉴戒到其他领域的问题中。它强调的“高难度任务合成 + 小领域冷启动 + 高效RL优化”的组合拳政策，具有很强的普适性。改日，开源社区不错参考WebSailor的想路，去攻克更多肖似“超过东谈主类才略”的任务——比如绽放领域的复杂推理问答、学术常识发现，以致跨模态的信息整合等。

WebSailor的使命标明，要让AI信得过迈向“超过东谈主类才略”的级别，仅靠现存的通俗考试任务远远不够，必须界说更复杂、更高不细目性的新任务，不断挑战模子的极限。下一步他们将不竭探索怎样基于开源模子栽植Agent的才略上限，不仅是在信息检索领域，而是追求更平常维度上达到“超过东谈主类”的阐述。这意味着改日咱们可能看到：更复杂的推理任务被构造出来，Agent要在愈加绽放的宇宙中自主探索、决策，以致去完成一些东谈主类尚弗成完成的概括性任务。

GitHub：https://github.com/Alibaba-NLP/WebAgent

arXiv：https://arxiv.org/abs/2507.02592开云kaiyun中国官方网站

发布于：北京市