作者介紹：本文作者來(lái)自通義實(shí)驗(yàn)室RAG團(tuán)隊(duì)，致力于面向下一代RAG技術(shù)進(jìn)行基礎(chǔ)研究。該團(tuán)隊(duì)的WebWalker工作也被ACL2025 main conference錄用。

在當(dāng)今信息爆炸的時(shí)代，如何高效地從海量的網(wǎng)絡(luò)數(shù)據(jù)中獲取有價(jià)值的信息，成為了人們面臨的一大挑戰(zhàn)。傳統(tǒng)的搜索引擎雖然能夠提供大量的信息，但在處理復(fù)雜的多步推理任務(wù)時(shí)往往顯得力不從心。來(lái)自阿里巴巴通義實(shí)驗(yàn)室的研究員提供了WebDancer，一個(gè)原生的信息檢索的Agentic Model，使之能夠像完成類DeepResearch的自主瀏覽網(wǎng)頁(yè)、思考和決策，為我們解決復(fù)雜的網(wǎng)絡(luò)信息檢索問(wèn)題提供了新的思路。

我們解讀最新技術(shù)，文末有相關(guān)信息。

以下是一些運(yùn)行的case：

我們可以看到WebDancer可以完成多步的信息檢索，包含多步思考和action執(zhí)行，在運(yùn)行過(guò)程中進(jìn)行完成自主的任務(wù)拆解、知識(shí)回溯和反復(fù)驗(yàn)證。

一、背景

在現(xiàn)實(shí)生活中，我們常常需要解決各種復(fù)雜的多步推理問(wèn)題，這些問(wèn)題往往需要從多個(gè)網(wǎng)頁(yè)中獲取信息，并進(jìn)行綜合分析和推理才能得出答案。例如，當(dāng)我們想要了解某個(gè)歷史事件的詳細(xì)經(jīng)過(guò)時(shí)，可能需要查閱多個(gè)不同來(lái)源的網(wǎng)頁(yè)，對(duì)比和分析其中的信息，才能還原事件的全貌。這種復(fù)雜的信息檢索任務(wù)，對(duì)于傳統(tǒng)的搜索引擎來(lái)說(shuō)是非常困難的，因?yàn)樗鼈兺ǔＶ荒芴峁﹩尾降乃阉鹘Y(jié)果，而無(wú)法像人類一樣進(jìn)行多步的推理和決策。

近年來(lái)，隨著大型語(yǔ)言模型（LLMs）和大型推理模型（LRMs）的發(fā)展，人們開(kāi)始嘗試將這些模型應(yīng)用于信息檢索任務(wù)中。然而，這些模型在處理復(fù)雜的多步推理任務(wù)時(shí)，仍然存在一些局限性。例如，直接利用提示工程技術(shù)來(lái)引導(dǎo)這些模型執(zhí)行復(fù)雜任務(wù)，往往無(wú)法充分利用模型的推理能力；而將搜索或?yàn)g覽能力整合到智能體中，雖然可以通過(guò)監(jiān)督微調(diào)（SFT）或強(qiáng)化學(xué)習(xí)（RL）來(lái)訓(xùn)練，但現(xiàn)有的訓(xùn)練數(shù)據(jù)集相對(duì)簡(jiǎn)單，無(wú)法涵蓋現(xiàn)實(shí)世界中的復(fù)雜挑戰(zhàn)。

為了解決這些問(wèn)題，WebDancer應(yīng)運(yùn)而生。它基于ReAct框架，通過(guò)一種數(shù)據(jù)驅(qū)動(dòng)和分階段訓(xùn)練的方法，構(gòu)建了一個(gè)能夠自主進(jìn)行多步信息檢索的智能體。WebDancer的出現(xiàn)，標(biāo)志著我們?cè)谧灾髦悄荏w領(lǐng)域，訓(xùn)練類DeepResearch的模型邁出了重要的一步。

二、WebDancer的核心技術(shù)

WebDancer的核心創(chuàng)新體現(xiàn)在三個(gè)層面：

1. 數(shù)據(jù)合成的層次化設(shè)計(jì)：通過(guò)兩種方法來(lái)合成數(shù)據(jù)集實(shí)現(xiàn)了兼顧“廣度覆蓋”與“深度升級(jí)”的數(shù)據(jù)集體系，解決了傳統(tǒng)數(shù)據(jù)集規(guī)模小、場(chǎng)景單一的問(wèn)題。實(shí)驗(yàn)表明，混合使用兩類數(shù)據(jù)集可使模型在GAIA基準(zhǔn)的Pass@1指標(biāo)顯著提升。
2. 長(zhǎng)短推理鏈的協(xié)同訓(xùn)練：提出將LLM生成的短推理鏈與LRM生成的長(zhǎng)推理鏈結(jié)合，通過(guò)拒絕采樣機(jī)制融合不同粒度的推理模式。消融實(shí)驗(yàn)顯示，長(zhǎng)推理鏈對(duì)復(fù)雜問(wèn)題（GAIA Level 3）的解決率有顯著貢獻(xiàn)，驗(yàn)證了多尺度推理的必要性。
3. 動(dòng)態(tài)采樣的強(qiáng)化學(xué)習(xí)策略：DAPO算法通過(guò)過(guò)濾準(zhǔn)確率極端的樣本（0或1），聚焦難樣本的迭代優(yōu)化，使RL階段的數(shù)據(jù)利用效率顯著提升。

具體來(lái)說(shuō)，WebDancer的構(gòu)建過(guò)程可以分為四個(gè)關(guān)鍵階段：瀏覽數(shù)據(jù)構(gòu)建、軌跡采樣、監(jiān)督微調(diào)以及強(qiáng)化學(xué)習(xí)。

（一）瀏覽數(shù)據(jù)構(gòu)建

為了訓(xùn)練WebDancer，首先需要構(gòu)建高質(zhì)量的瀏覽數(shù)據(jù)。這些數(shù)據(jù)需要反映多樣化的用戶意圖和豐富的交互上下文。WebDancer采用了兩種方法來(lái)合成數(shù)據(jù)集：CRAWLQA和E2HQA。

CRAWLQA通過(guò)爬取網(wǎng)頁(yè)來(lái)構(gòu)建基于網(wǎng)頁(yè)信息的問(wèn)答對(duì)。它從一些富含知識(shí)的網(wǎng)站（如arxiv、github、wiki等）的source頁(yè)面開(kāi)始，模擬人類的瀏覽行為，遞歸地導(dǎo)航到子頁(yè)面，并收集頁(yè)面上的信息。然后，利用GPT-4o等大型語(yǔ)言模型，根據(jù)收集到的信息生成合成的問(wèn)答對(duì)。這些問(wèn)答對(duì)涵蓋了多種類型的問(wèn)題，如計(jì)數(shù)問(wèn)題、多跳問(wèn)題和交集問(wèn)題等，能夠有效地激發(fā)模型的多步推理能力。

E2HQA則采用了一種從簡(jiǎn)單到復(fù)雜的問(wèn)答對(duì)合成方法。它從簡(jiǎn)單的問(wèn)答對(duì)開(kāi)始，通過(guò)逐步增加問(wèn)題的復(fù)雜性，將簡(jiǎn)單的問(wèn)題轉(zhuǎn)化為復(fù)雜的多步問(wèn)題。具體來(lái)說(shuō)，它首先從簡(jiǎn)單的問(wèn)題中選擇一個(gè)實(shí)體，然后利用搜索引擎獲取與該實(shí)體相關(guān)的信息，并根據(jù)這些信息重新構(gòu)造問(wèn)題。通過(guò)這種方式，可以逐步將一個(gè)簡(jiǎn)單的問(wèn)題轉(zhuǎn)化為一個(gè)需要多步推理才能解決的復(fù)雜問(wèn)題。

（二）軌跡采樣

在構(gòu)建了高質(zhì)量的問(wèn)答對(duì)之后，WebDancer需要采樣出高質(zhì)量的軌跡來(lái)指導(dǎo)智能體的學(xué)習(xí)過(guò)程。軌跡采樣采用了拒絕采樣方法，結(jié)合了短鏈思考（Short-CoT）和長(zhǎng)鏈思考（Long-CoT）兩種策略。

短鏈思考軌跡是通過(guò)直接利用ReAct框架，使用強(qiáng)大的模型（如GPT-4o）來(lái)收集的。而長(zhǎng)鏈思考軌跡則是通過(guò)逐步提供歷史動(dòng)作和觀察結(jié)果給推理模型（如QwQ-Plus），讓模型自主決定下一步的動(dòng)作。在采樣過(guò)程中，會(huì)進(jìn)行多次拒絕采樣，以確保生成的軌跡的質(zhì)量和連貫性。

（三）監(jiān)督微調(diào)

監(jiān)督微調(diào)階段的目的是讓模型適應(yīng)智能體任務(wù)的格式和環(huán)境。在這個(gè)階段，WebDancer利用前面采樣得到的高質(zhì)量軌跡，對(duì)模型進(jìn)行微調(diào)。通過(guò)這種方式，模型能夠?qū)W習(xí)到如何在智能體任務(wù)中交替進(jìn)行推理和行動(dòng)，從而更好地完成多步信息檢索任務(wù)。

（四）強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)階段的目標(biāo)是將智能體能力內(nèi)化到推理模型中，增強(qiáng)模型在多步、多工具使用場(chǎng)景下的能力。WebDancer采用了Decoupled Clip and Dynamic Sampling Policy Optimization（DAPO）算法來(lái)進(jìn)行強(qiáng)化學(xué)習(xí)。DAPO算法通過(guò)動(dòng)態(tài)采樣機(jī)制，有效地利用了在監(jiān)督微調(diào)階段未充分利用的問(wèn)答對(duì)，提高了數(shù)據(jù)效率和策略的魯棒性。

三、WebDancer的實(shí)驗(yàn)結(jié)果

WebDancer在兩個(gè)具有挑戰(zhàn)性的信息檢索基準(zhǔn)測(cè)試——GAIA和WebWalkerQA上進(jìn)行了實(shí)驗(yàn)評(píng)估。實(shí)驗(yàn)結(jié)果表明，WebDancer在這些基準(zhǔn)測(cè)試中取得了顯著的性能提升，證明了其訓(xùn)練范式的有效性。 我們表現(xiàn)最佳的模型在GAIA基準(zhǔn)測(cè)試中達(dá)到了61.1%的Pass@3分?jǐn)?shù)，在WebWalkerQA基準(zhǔn)測(cè)試中達(dá)到了54.6%的Pass@3分?jǐn)?shù)。

四、未來(lái)展望：WebDancer 的新征程

盡管 WebDancer 已經(jīng)取得了令人矚目的成就，但它的發(fā)展之路還遠(yuǎn)未結(jié)束。未來(lái)，WebDancer 將在多個(gè)方向上繼續(xù)探索和創(chuàng)新。

（一）更多工具的集成

目前，WebDancer 僅集成了兩種基本的信息檢索工具，未來(lái)計(jì)劃引入更多復(fù)雜的工具，如瀏覽器建模和 Python 沙盒環(huán)境。這些工具將使智能體能夠執(zhí)行更復(fù)雜的任務(wù)，如網(wǎng)頁(yè)瀏覽、數(shù)據(jù)抓取、API 調(diào)用等，從而拓展智能體的能力邊界，使其能夠應(yīng)對(duì)更廣泛的挑戰(zhàn)。

（二）任務(wù)泛化與基準(zhǔn)擴(kuò)展

目前的實(shí)驗(yàn)主要集中在短答案信息檢索任務(wù)上，未來(lái) WebDancer 將擴(kuò)展到開(kāi)放域的長(zhǎng)文本寫作任務(wù)。這將對(duì)智能體的推理能力和生成能力提出更高的要求，需要設(shè)計(jì)更可靠和更有效的獎(jiǎng)勵(lì)信號(hào)。同時(shí)，WebDancer 也將參與更多基準(zhǔn)測(cè)試，以驗(yàn)證其在不同任務(wù)類型和領(lǐng)域中的泛化能力。

五、討論：Post-train Agentic Models

相比于一些驅(qū)動(dòng)于強(qiáng)大的具有很強(qiáng)的agentic能力的閉源模型，例如gpt-o4，claude的promtpting工程框架，本研究的側(cè)重點(diǎn)在從頭訓(xùn)練一個(gè)具有強(qiáng)大agent能力的模型，這對(duì)于實(shí)現(xiàn)agent model的開(kāi)源以及推進(jìn)我們對(duì)agent在開(kāi)放系統(tǒng)中如何產(chǎn)生和scale的基本理解至關(guān)重要。我們使用的的原生ReAct框架秉持著簡(jiǎn)潔性，體現(xiàn)了大道至簡(jiǎn)的原則。 Agentic models是指那些在交互式環(huán)境中，天生支持推理、決策以及多步驟工具使用的foundation models。這些模型僅通過(guò)任務(wù)描述的提示，就能展現(xiàn)出諸如規(guī)劃、自我反思以及行動(dòng)執(zhí)行等突發(fā)性能力（emergent capabilities）。 近期的 DeepSearch 和 Deep Research 等系統(tǒng)，展示了強(qiáng)大的底層模型如何作為智能體的核心，通過(guò)其對(duì)工具調(diào)用和迭代推理的天然支持，實(shí)現(xiàn)自主的網(wǎng)絡(luò)交互。然而，由于網(wǎng)絡(luò)環(huán)境本質(zhì)上是動(dòng)態(tài)的且部分可觀察的，強(qiáng)化學(xué)習(xí)在提升智能體的適應(yīng)性和魯棒性方面發(fā)揮了關(guān)鍵作用。在本研究中，我們的目標(biāo)是通過(guò)有針對(duì)性的后訓(xùn)練（post-training），在開(kāi)源模型中激發(fā)自主智能體的能力。

六、WebDancer的意義與展望

WebDancer的出現(xiàn)，不僅為解決復(fù)雜的多步信息檢索問(wèn)題提供了一種新的方法，也為自主智能體的研究和發(fā)展提供了重要的啟示。通過(guò)數(shù)據(jù)驅(qū)動(dòng)和分階段訓(xùn)練的方法，WebDancer成功地構(gòu)建了一個(gè)能夠自主進(jìn)行多步信息檢索的智能體，為未來(lái)智能體的發(fā)展提供了新的思路和方向。

WebDancer與Deep Research在目標(biāo)上具有一致性，如果通過(guò)更系統(tǒng)化的方法來(lái)構(gòu)建和訓(xùn)練智能體，使其能夠更好地適應(yīng)復(fù)雜的網(wǎng)絡(luò)環(huán)境仍是一個(gè)開(kāi)放并且具有挑戰(zhàn)的課題。

總之，WebDancer的出現(xiàn)為我們解決復(fù)雜的網(wǎng)絡(luò)信息檢索問(wèn)題提供了一種新的可能性。隨著技術(shù)的不斷發(fā)展和完善，我們有理由相信，未來(lái)的自主智能體將在更多的領(lǐng)域發(fā)揮重要作用，為我們的生活和工作帶來(lái)更多的便利和創(chuàng)新。

參考資料

• 《WebDancer: Towards Autonomous Information Seeking Agency》，Jialong Wu, Baixuan Li, Runnan Fang, Wenbiao Yin, Liwen Zhang, Zhengwei Tao, Dingchu Zhang, Zekun Xi, Yong Jiang, Pengjun Xie, Fei Huang, Jingren Zhou，阿里巴巴通義實(shí)驗(yàn)室，https://arxiv.org/pdf/2505.22648
• 《ReAct: Synergizing Reasoning and Acting in Language Models》，Shunyu Yao等，普林斯頓大學(xué)，https://arxiv.org/abs/2210.03629
• 《GAIA: A Benchmark for General AI Assistants》，Grégoire Mialon等，Meta AI，https://arxiv.org/abs/2311.12983

本文轉(zhuǎn)載自??旺知識(shí)??，作者：旺知識(shí)