El desarrollo de agentes de investigación profunda requiere la creación de trayectorias extensas que combinan búsqueda, recopilación de evidencia y razonamiento complejo. Los métodos tradicionales de recolección de datos a menudo dependen de API web propietarias, lo que genera desafíos en escalabilidad, estabilidad y reproducibilidad. OpenResearcher aborda estos problemas al proporcionar un pipeline completamente reproducible que separa la configuración inicial del corpus de la síntesis de trayectorias de múltiples turnos. Este sistema opera completamente fuera de línea, utilizando tres funciones fundamentales del navegador: buscar, abrir y encontrar, en un vasto corpus de 15 millones de documentos. Al aprovechar el modelo GPT-OSS-120B, OpenResearcher genera con éxito más de 97,000 trayectorias, muchas de las cuales implican más de 100 llamadas a herramientas. El ajuste fino de un modelo 30B-A3B en estas trayectorias resultó en un aumento significativo de 34 puntos en la precisión de la referencia BrowseComp-Plus, alcanzando un 54.8% de precisión. La naturaleza fuera de línea del entorno permite un análisis exhaustivo, proporcionando información valiosa sobre el diseño de pipelines de investigación profunda. El pipeline OpenResearcher, junto con las trayectorias sintetizadas y los puntos de control del modelo, está disponible en https://github.com/TIGER-AI-Lab/OpenResearcher.
OpenResearcher: Un enfoque innovador para el desarrollo de trayectorias de investigación a largo plazo
OpenResearcher ofrece un método novedoso y reproducible para sintetizar trayectorias de investigación a largo plazo, mejorando la eficiencia de los agentes de investigación profunda.
3 min readTecnología