DeepSearch-Evolve: a 9B-parameter web agent learns without supervision and scores 61% on GAIA

Исследователи опубликовали 9 июля 2026 года на arXiv препринт DeepSearch-World: фреймворк самодистилляции DeepSearch-Evolve позволяет веб-агентам учиться из собственного опыта без привлечения более мощных моделей-учителей. Модель на 9 млрд параметров набрала 61,5% на GAIA и 93,4% на HotpotQA.

Почему обучение агентов из опыта так сложно

Две доминирующие парадигмы обучения агентов имеют принципиальные слабости. Supervised fine-tuning (SFT) обучает агента на фиксированных траекториях, дистиллированных от учителя: модель копирует чужой опыт, не нарабатывая собственный. Обучение с подкреплением (RL) потенциально позволяет агенту учиться на ошибках, но при длинных взаимодействиях — когда агент делает десятки шагов в интернете прежде чем получит итоговый сигнал — награда оказывается слишком разреженной для эффективного обучения.

Авторы решили задачу иначе: создали верифицируемую среду, где агент получает плотный обратный сигнал на каждом шаге без зависимости от внешнего судьи.

Как устроена среда DeepSearch-World

DeepSearch-World — детерминированная и воспроизводимая среда с двумя инструментами: поиском и чтением страниц. Детерминизм означает, что один и тот же запрос всегда возвращает один и тот же результат — идеальные условия для обучения и сравнения агентов.

Ключевые характеристики:

• 420 000 многошаговых задач, построенных через случайные блуждания по графу сущностей
• Три встроенных когнитивных поведения: верификация прогресса, заземлённая рефлексия, восстановление после сбоев
• Полная воспроизводимость любой траектории агента

Задачи «многошаговые»: чтобы ответить на вопрос, агент должен последовательно найти несколько связанных фактов, каждый из которых опирается на предыдущий.

Каких результатов достигла модель без учителя

Фреймворк DeepSearch-Evolve итеративно проходит четыре стадии: генерация траекторий → фильтрация → смешивание данных → дообучение. На каждой итерации агент отбирает успешные траектории, добавляет их к накопленным данным и переобучается — постепенно улучшаясь без внешней помощи.

Модель DeepSearch-World-9B без дистилляции от GPT-4 или других frontier-моделей показала конкурентные результаты среди открытых агентов:

• 31,2% на BrowseComp — бенчмарке реальной веб-навигации от OpenAI
• 61,5% на GAIA — универсальном тесте AI-помощников
• 93,4% на HotpotQA — многошаговом поиске связанных фактов

«Верифицируемые среды открывают путь к масштабируемой самоэволюции для

агентов с длинным горизонтом взаимодействий».

Авторы планируют открыть среду, пул из 420 тыс. задач, валидационный набор, чекпоинт модели и полный код.

Что это значит

Исследование закрывает важный вопрос: нужна ли frontier-модель, чтобы вырастить сильного агента? Оказывается — нет, если среда обучения правильно устроена. Верифицируемая среда с плотными наградами позволяет агенту самосовершенствоваться без зависимости от закрытых коммерческих моделей — важный шаг к открытым масштабируемым веб-агентам нового поколения.

Частые вопросы

Что такое BrowseComp и почему 31,2% — хороший результат?

BrowseComp — бенчмарк от OpenAI для оценки способности агентов работать с реальным интернетом; задачи намеренно сложные, и результат выше 30% считается конкурентным среди открытых моделей размером до 10 млрд параметров.

Когда выйдет открытый датасет DeepSearch-World?

Авторы объявили об открытии среды, 420 тыс. задач, валидационного набора, модели и кода, однако конкретная дата публичного релиза в препринте от 9 июля 2026 года не указана.