通义DeepResearch开源：300亿参数智能体重构AI搜索范式，效率与能力双重突破

导语

阿里巴巴通义实验室正式开源300亿参数智能体模型Tongyi-DeepResearch-30B-A3B，该模型在七大智能搜索基准测试中全面超越现有开源方案，以"小而精"的混合专家架构重新定义大模型推理效率标准。

行业现状：智能体的"认知窒息"困境

2025年中国生成式AI用户规模已达5.15亿，企业级智能体应用呈现爆发式增长。据《生成式人工智能应用发展报告》显示，超过90%的商业用户优先选择国产大模型，但现有解决方案普遍面临"认知窒息"困境——在处理多步骤研究任务时，持续膨胀的上下文会导致推理质量下降。

如上图所示，该图为通义DeepResearch（30B）在Humanity's Last Exam、BrowseComp、BrowseComp-ZH等多项权威基准测试上的性能对比柱状图。这一性能表现充分体现了通义DeepResearch在深度研究任务中的领先地位，为解决"认知窒息"问题提供了有力支撑。

通义DeepResearch通过创新的IterResearch范式，将复杂任务拆解为聚焦式研究回合，有效解决了传统智能体的"信息过载"难题。

核心亮点：效率与能力的双重革命

1. 动态激活的混合专家架构

模型采用300亿总参数的MoE设计，每token仅激活30亿参数（10%计算量），在保持75%xbench-DeepSearch基准得分的同时，显存占用降低60%。这种"按需调用"机制使单GPU即可支持128K上下文长度，为长文档分析提供硬件友好的解决方案。

2. 全自动化数据合成流水线

通过AgentFounder系统实现从知识图谱构建到复杂问题生成的端到端自动化，每日可合成10万+高质量训练样本。

如上图所示，该流程图展示了Tongyi DeepResearch的高阶动作合成轨迹流程，通过分步骤扩展（Step-level Scaling）生成多解决方案并迭代选择，最终完成信息寻求与决策判断的过程。这一动态决策机制使模型在处理金融研报解析等复杂任务时，效率较传统ReAct框架提升3倍。

3. 创新的IterResearch推理范式

针对传统智能体的"信息过载"问题，通义DeepResearch开发了IterResearch范式，将复杂任务解构为一系列研究回合。在每一轮中，智能体基于上一轮最重要的输出重建精简工作空间，实现"思考-综合-行动"的高效循环。

行业影响与应用案例

1. 高德地图"小高"旅行规划助手

在高德地图"小高"旅行规划助手中，模型展现出强大的跨工具整合能力：用户输入"北京三日亲子游+宠物友好"需求后，系统自动调用景点数据库、酒店预订API和交通规划工具，生成包含宠物政策标注、儿童设施评分的个性化行程，用户满意度达92%。

从图中可以看出，通义DeepResearch已覆盖内容生成、智能问答等七大核心技能模块，尤其在知识密集型行业表现突出。该模型目前已在法律、医疗、交通等12个领域形成标准化解决方案，平均为企业客户降低AI部署成本52%。

2. 通义法睿法律智能体

该流水线已在法律领域验证效果——通义FaRui法律智能体能自主完成案例检索、法条交叉引用和分析报告生成，准确率达专业律师水平。依托创新的Agentic架构与迭代式规划技术，通义法睿在法律问答的深度研究三大核心维度——答案要点质量、案例引用质量、法条引用质量上领先行业。

3. 医疗领域电子病历生成系统

医疗领域的电子病历生成系统则验证了模型的专业精度——通过分析医患对话自动生成的病历文书，关键信息提取准确率达98.7%，将医生文书工作时间缩短40%。这种"生成式+检索增强"的混合模式，正成为行业大模型落地的主流范式。

开源生态与未来趋势

作为首个完全开放的Web Agent模型，通义DeepResearch提供包括数据合成工具链、强化学习框架在内的完整技术栈。开发者可通过以下步骤快速部署：

克隆仓库：git clone https://gitcode.com/hf_mirrors/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B

通义实验室表示，未来将重点解决三个关键局限性：扩展上下文窗口以处理更复杂的长程推理任务、验证更大规模模型上的训练流程有效性、通过引入partial rollouts等技术提升强化学习框架效率。

随着模型上下文窗口扩展至256K和多模态能力的加入，预计2026年智能体将实现从"信息检索"到"假设验证"的认知跃升。通义DeepResearch的开源标志着国产大模型在智能体赛道进入"质量竞争"新阶段，其300亿参数规模与75%基准得分的"性价比组合"，为中小企业提供了低成本接入先进AI的可能性。