OpenResearcher：一种完全开放的长周期深度研究轨迹合成流水线

arXiv 2026 52.4 method

TLDR

OpenResearcher是离线合成长周期深度研究轨迹的开放流水线，在多个基准上表现优异。

评分理由

The paper presents a fully open, reproducible pipeline for generating deep research trajectories, with strong empirical results on multiple benchmarks. However, it relies on a teacher model and an offline corpus, which may limit generalization to live web environments.

Read-first 评分解释

综合优先阅读分 52.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 55。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：检查点、GitHub、复现

主题相关性 42%

45.8

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：27。

关键词评分

automated research

research automation

autonomous research agent

scientific discovery agent

AI for scientific research

automated scientific discovery

literature review agent

AI scientist

survey generation

automated experimentation

experiment design agent

paper writing agent

深度分析

创新点

完全开放、可复现的长周期深度研究轨迹合成流水线，将一次性语料库引导与多轮轨迹合成解耦
使用三种显式浏览器原语（搜索、打开、查找）在1500万文档语料库上进行离线搜索-浏览循环，消除了对专有网络API的依赖
使用GPT-OSS-120B教师模型合成了超过97K条轨迹，包括工具调用次数超过100次的长周期尾部轨迹
在合成轨迹上对30B-A3B骨干模型进行监督微调，在BrowseComp-Plus上达到54.8%（+34.0点），并在BrowseComp、GAIA和xbench-DeepSearch上取得有竞争力的表现
发布了整个流水线、合成的轨迹、模型检查点和离线搜索环境

方法

OpenResearcher将一次性语料库引导与多轮轨迹合成解耦，在1500万文档语料库上使用三种浏览器原语（搜索、打开、查找）执行离线搜索-浏览循环。GPT-OSS-120B教师模型合成长周期轨迹，然后通过监督学习对30B-A3B骨干模型进行微调。

关键结果

微调后的模型在BrowseComp-Plus上达到54.8%的准确率，比基础模型提升34.0个百分点，同时在BrowseComp、GAIA和xbench-DeepSearch上保持竞争力。

技术栈

GPT-OSS-120B30B-A3B backbonethree browser primitives (search, open, find)offline search environment

资源

论文