在人工智能领域，通义 DeepResearch 团队
相较于国际上昂贵且受限的模型，通义 DeepResearch 团队选择了完全开放的方式，提供了一系列工具与方案。在多个测试项目中，例如 Humanity'sLastExam、BrowseComp、GAIA 等，30B-A3B 这一轻量级模型表现出色，达到了
值得一提的是，团队在其官网和 GitHub 上分享了详细的 DeepResearchAgent 构建方法论，涵盖了从数据合成到强化学习的整个过程。在推理方面，模型展现了两大优势: 基础的 ReAct 模式无需复杂提示就能充分释放模型潜力，而深度模式则进一步提升了其在复杂推理与规划能力上的表现。
通义 DeepResearch 团队在数据策略方面也做出了显著贡献。他们采用了一套多阶段的数据策略，通过不依赖昂贵的人工标注，使用增量预训练和后训练方法生成高质量的训练数据。此外，模型的推理模式分为两种: 原生的 ReAct 模式和用于复杂任务的 Heavy 模式，这为解决极具挑战性的研究任务提供了便利。
在强化学习的过程中，通义 DeepResearch 团队通过优化算法和稳定的基础设施，不断提升模型的表现。他们采用了针对性的策略，以确保学习过程中的信号精准匹配，最终实现了高效的学习效果。
通义 DeepResearch 的发布不仅为 AI 的研究提供了新的方向，更是对全球科技社区的积极响应，展现了开放合作的强大力量。
