当前信息处理领域正面临新的压力。随着数据量呈指数级增长，传统依靠人工的研究方式已难以符合海量信息筛选与分析需要。尤其在学术研究和商业决策中，如何从大量资料里快速提取有效信息——成为绕不开的难题。过去——智能系统训练多依赖商业搜索引擎，不仅成本高，而且网络内容持续变化，使训练结果难以复现。造成这个局面的关键在于训练环境缺乏稳定性。研究人员指出，传统训练模式就像让学生在不停搬迁的图书馆里学习——每次调用商业API都要付费，检索结果还会随着网络更新而改变。不可控因素推高了训练成本：单个问题的搜索调用费用可达数十美元，直接拖慢研究进度。 针对这一普遍难题，国际联合科研团队提出“离线研究训练场”方案。该方案通过构建包含1500万份精选网页文档的静态数据库，为智能系统提供稳定的模拟研究环境。团队还设计了三级浏览器工具链，分别覆盖宏观检索、文档调取和微观定位，尽量贴近人类研究者的工作流程。测试数据显示，在处理复杂问题时，系统平均需要进行100次以上的工具调用，也反映出真实研究任务的流程复杂度。 技术实现上，项目组选取6000个需要多步推理的问题作为训练基础，并通过“答案导向搜索”为每个问题配套约1万份包含标准答案的参考文档。该设计使训练准确率较传统方法提升11个百分点，下游任务表现提升接近8倍。此外，项目采用开源GPT-OSS-120B作为指导模型生成9.7万条训练轨迹，为后续模型优化提供了关键数据。 展望未来，这一进展有望改变知识生产与利用的方式。项目负责人表示，全开源将显著降低研究门槛，预计有关研发成本可下降70%以上。随着系统持续迭代，其在法律咨询、医学研究等专业领域具备应用潜力。目前已有来自12个国家的科研机构表示将采用该系统的技术框架。
从依赖实时网络与昂贵接口的“即兴训练”，到可复现、可审计、可共享的“离线研究场”，这套开源训练流程让深度研究能力的培养从零散试错走向可复制的体系化路径。面向知识密集型社会，可靠的研究型智能体不仅要“答得出”，更要“找得到、讲得清、证据足、过程明”。未来能否在开放共享与规范治理之间形成良性循环，将决定这个技术路线能走多远、落多深。