开放数据综合与深度研究

人们越来越期望大型语言模型（LLMs）能够超越简单的 事实性查询，转向需要将问题分解为子问题、协调多步推理以及综合来自 不同来源的证据的深度研究任务。我们将具有可验证答案的深度研究任务 形式化为分层约束满足问题（HCSPs），这与单约束、多跳或扁平化 CSP 的表述方式根本不同。然而，现有的基准（例如，Natural Questions、HotpotQA） 未能捕捉到这种复杂性，而最近的合成数据集常常引入捷径推理、知识泄露 或缺乏足够的结构深度。为了弥补这一差距，我们引入了 InfoSeek，一个用于 合成复杂深度研究任务的可扩展框架。InfoSeek 使用双代理系统，从大规模 网页中递归构建研究树，将中间节点模糊化为有效的子问题，并将这些树 转换为需要遍历完整层级结构的自然语言问题。它还实现了快速扩展，产出了 超过 50,000 个训练示例、一个精选的测试集以及通过拒绝采样生成的推理轨迹。 实验表明，在 InfoSeek 上训练的模型持续优于强大的基线模型。在一个 具有挑战性的 BrowseComp-Plus 基准测试中，通过 InfoSeek 优化的 3B LLM 超越了规模大得多的 32B 模型和轻量级商业 API（例如，Gemini2.5-Flash）， 同时取得了与更强大的 API（例如，Gemini2.5-Pro）相当的性能。 通过保留中间步骤和检索标签等元信息，InfoSeek 进一步支持了高级优化策略， 包括复合奖励设计和轨迹级探索。我们提供了我们的代码和数据集在 https://github.com/VectorSpaceLab/InfoSeek{此仓库}。