Step-DeepResearch Technical Report

32B模型媲美OpenAI？Step-DeepResearch揭秘：低成本实现专家级深度研究

在大模型向自主智能体（Autonomous Agents）演进的浪潮中，我们经常混淆两个概念：“搜索”与“研究”。搜索通常是针对明确问题的单次查询，而深度研究（Deep Research）则是一个漫长的迭代过程——它需要意图识别、长程规划、跨源验证以及撰写结构化的报告。

ArXiv URL：http://arxiv.org/abs/2512.20491v2

目前的学术基准（如 BrowseComp）往往只关注多跳问答，这导致许多 Agent 实际上更像是一个高效的“网络爬虫”，而非真正的“研究员”。为了填补这一空白，StepFun（阶跃星辰）团队发布了 Step-DeepResearch 技术报告。这项研究最令人兴奋的点在于：它证明了通过精细的数据合成策略和训练流程，一个仅有 32B 参数的中等规模模型，不仅能在中文领域填补评估空白，更能在成本极低的情况下，在深度研究能力上媲美 OpenAI o3-mini 和 Gemini 1.5 Pro 等顶尖闭源模型。

本文将深入解读 Step-DeepResearch 背后的核心技术：它是如何通过“原子能力”构建数据，以及如何通过三阶段训练实现以小博大的。

搜索 $\neq$ 研究：重新定义核心挑战

为什么现有的 Agent 在处理开放式研究任务时表现不佳？核心原因在于任务定义的错位。

传统的评估往往将 Agent 视为一个问答机器，优化的目标是检索的准确率。然而，真实的深度研究（Deep Research）是一个长程决策过程。Step-DeepResearch 将这一过程解构为一组原子能力（Atomic Capabilities）：

1. 自适应规划（Adaptive Planning）：将模糊需求拆解为子任务。

2. 深度信息搜寻（Deep Information Seeking）：在信息不完整时进行主动拓扑探索。

3. 反思与验证（Reflection & Verification）：自我纠错，交叉验证多源信息。

4. 报告撰写（Reporting）：将碎片化信息综合为逻辑严密的论证。

基于这一视角，该研究并未依赖复杂的多智能体编排，而是采用了一种流线型的 ReAct 式单智能体设计，通过端到端的训练将这些能力“内化”到模型中。

数据策略：逆向工程与原子能力合成

Step-DeepResearch 的核心竞争力在于其独特的数据合成策略。为了解决预训练与任务特定决策之间的差距，研究团队没有孤立地构建数据集，而是围绕上述四个原子能力建立了专门的合成流水线。

1. 规划能力的“逆向工程”

如何教模型学会像专家一样规划？研究团队采用了一种巧妙的逆向工程（Reverse Engineering）策略。

他们收集了大量高质量的行业报告、学术综述等文档——这些文档本质上是复杂研究任务的“最终产物”。通过分析这些文档的结构，模型可以反向推导出隐含的规划逻辑。为了保证质量，团队还引入了轨迹一致性过滤，确保模型学习到的执行过程严格符合“后见之明”的完美规划。

2. 基于图谱的深度搜寻

为了增强多跳推理能力，研究者利用 Wikidata5m 和 CN-DBpedia 等知识图谱进行受控子图采样。

有趣的是，他们并没有直接使用原本的三元组生成问题（因为图谱可能过时），而是将三元组作为查询词进行二次搜索验证。基于验证后的信息，Prompt LLM 生成需要多跳搜索的复杂问题 $\langle\text{Query},\text{Answer}\rangle$。此外，还引入了 QwQ-32b 作为难度过滤器：如果一个问题能被 QwQ-32b 直接解决，就被视为“简单问题”剔除，确保训练数据的高难度。

3. 闭环反思与验证

为了让模型学会“自我纠错”，研究团队设计了一个“专家模型生成 $\rightarrow$ 结果验证 $\rightarrow$ 多轮反思”的闭环流程。

特别是对于验证环节，他们构建了一个包含验证点提取、证据搜索、逻辑比对的 Multi-Agent 教师工作流，生成数千条 $\langle\text{paragraph},\text{judge-result}\rangle$ 样本。这让模型学会了像人类专家一样，不仅看结论，还要检查结论与证据的逻辑自洽性。

训练流水线：从 Mid-training 到 RL 的进阶之路

Step-DeepResearch 选择 Qwen2.5-32B-Base 作为基座模型，采用了一个渐进式的三阶段训练范式。

第一阶段：Agentic Mid-training（能力注入）

这一阶段介于预训练和微调之间，目的是注入原子能力并适应长上下文。

• 32K Context: 重点注入规划、反思等原子能力。

• 128K Context: 进一步扩展上下文，专注于真实世界的复杂任务，如网页交互和多工具协同。

通过约 150B tokens 的训练，模型在 SimpleQA 和 FRAMES 等基准上的表现稳步提升。

第二阶段：SFT（能力组合）

在 SFT 阶段，重点从单一能力的教学转向端到端的任务执行。数据涵盖了从意图理解到报告生成的全链路轨迹。

值得注意的是，为了满足专业研究的严谨性，SFT 数据中显式加入了 \(\cite{}\) 引用格式约束，强制模型在生成报告时必须有据可查。

第三阶段：强化学习（RL）与 Checklist 判卷

为了突破模仿学习的局限，RL 阶段引入了基于规则（Rubric-based）的奖励模型。

由于高质量的 Deep Research 判卷很难获取，团队采用了一种“两步逆向合成”法生成任务和对应的评分标准。通过 RL，模型在主动规划、反思和跨源验证方面的能力得到了显著增强，学会了如何在复杂的真实环境中进行权衡和决策。

实验结果：以小博大的典范

为了验证效果，研究团队不仅在 Scale AI 的 ResearchRubrics 上进行了测试，还专门构建了针对中文领域的 ADR-Bench。

从上图（Figure 1）可以看出 Step-DeepResearch 的强悍表现：

1. 性价比之王：在 ResearchRubrics 上，Step-DeepResearch (32B) 取得了 61.42 的高分，这一成绩与 OpenAI DeepResearch 和 Gemini DeepResearch 处于同一梯队，但其推理成本（RMB）却大幅降低，位于图表左上角的“高效前沿面”。

2. 中文领域统治力：在 ADR-Bench 的专家评估中（图 b），Step-DeepResearch 在所有维度上的 Elo 评分均领先于同类模型，甚至超越了 Kimi-Researcher 和 MiniMax Agent Pro 等系统。

总结

Step-DeepResearch 的成功向我们展示了一条清晰的技术路径：中等规模模型完全可以通过精细化的数据工程和训练策略，获得专家级的深度研究能力。

它没有盲目追求参数规模，而是回归到研究的本质——规划、搜寻、验证与表达。通过构建原子能力数据和渐进式训练，Step-DeepResearch 不仅打破了“搜索即研究”的迷思，也为行业提供了一个极具性价比的 Deep Research Agent 范本。对于希望在垂直领域部署低成本、高性能 Agent 的开发者而言，这篇技术报告无疑具有极高的参考价值。