GitHub - Alibaba-NLP/DeepResearch：通义深度研究，领先的开源深度研究智能体。· GitHub
来源: https://github.com/Alibaba-NLP/DeepResearch 抓取时间: 2026-07-21 16:23:59
🤗 HuggingFace ｜ 
ModelScope | 💬 微信 | 📰 博客 | 📑 论文
👏 欢迎通过我们的 
Modelscope 在线演示 或 🤗 Huggingface 在线演示 或 
百炼服务 尝试通义深度研究！
注意
此演示仅用于快速探索。由于模型延迟和工具 QPS 限制，响应时间可能会有所不同或间歇性失败。如需稳定体验，我们建议本地部署；如需生产就绪服务，请访问 百炼 并按照引导设置操作。
介绍
我们推出 通义深度研究，这是一个智能体式的大型语言模型，总参数为 305 亿，每个 Token 仅激活 33 亿。由通义实验室开发，该模型专为长时间、深度信息寻求任务而设计。通义深度研究在一系列智能体搜索基准测试中展示了最先进的性能，包括人类的最后考试、BrowseComp、BrowseComp-ZH、WebWalkerQA、xbench-DeepSearch、FRAMES 和 SimpleQA。
功能
- ⚙️ 全自动合成数据生成管道：我们设计了一个高度可扩展的数据合成管道，它是完全自动的，并支持智能体预训练、监督微调和强化学习。
- 🔄 智能体数据的大规模持续预训练：利用多样化、高质量的智能体交互数据来扩展模型能力、保持新鲜度并加强推理性能。
- 🔁 端到端强化学习：我们采用严格的在策略 RL 方法，基于定制的组相对策略优化框架，具有 Token 级策略梯度、留一法优势估计和负样本的选择性过滤，以在非平稳环境中稳定训练。
- 🤖 智能体推理范式兼容性：在推理时，通义深度研究兼容两种推理范式：ReAct，用于严格评估模型的核心内在能力；以及基于 IterResearch 的「重」模式，它使用测试时扩展策略来解锁模型的最大性能上限。
模型下载
您可以通过以下链接直接下载模型。
| 模型 | 下载链接 | 模型大小 | 上下文长度 |
|---|---|---|---|
| Tongyi-DeepResearch-30B-A3B | 🤗 HuggingFace | ||
| 🤖 ModelScope | 30B-A3B | 128K |
新闻
[2025/09/20]🚀 Tongyi-DeepResearch-30B-A3B 现在可以在 OpenRouter 上使用！按照 快速入门 指南操作。 [2025/09/17]🔥 我们发布了 Tongyi-DeepResearch-30B-A3B。
深度研究基准测试结果
快速开始
本指南提供设置环境和运行位于 inference 文件夹中的推理脚本的说明。
1. 环境设置
-
推荐的 Python 版本：3.10.0（使用其他版本可能会导致依赖问题）。
-
强烈建议使用
conda或virtualenv创建隔离环境。使用 Conda 的示例
conda create -n react_infer_env python=3.10.0 conda activate react_infer_env
2. 安装
安装所需的依赖项：
pip install -r requirements.txt
3. 环境配置和准备评估数据
环境配置
通过复制示例环境文件来配置您的 API 密钥和设置：
# 复制示例环境文件
cp .env.example .env
编辑 .env 文件并提供您的实际 API 密钥和配置值：
- SERPER_KEY_ID：从 Serper.dev 获取您的密钥，用于网络搜索和 Google Scholar
- JINA_API_KEYS：从 Jina.ai 获取您的密钥，用于网页读取
- API_KEY/API_BASE：来自 OpenAI 用于页面摘要的兼容 API
- DASHSCOPE_API_KEY：从 Dashscope 获取您的密钥，用于文件解析
- SANDBOX_FUSION_ENDPOINT：Python 解释器沙盒端点（参见 SandboxFusion）
- MODEL_PATH：模型权重路径
- DATASET：评估数据集名称
- OUTPUT_PATH：保存结果的目录
注意：
.env文件已被 Git 忽略，因此您的机密不会被提交到仓库。
准备评估数据
系统支持两种输入文件格式：JSON 和 JSONL。
支持的文件格式：
选项 1：JSONL 格式（推荐）
- 创建扩展名为
.jsonl的数据文件（例如，my_questions.jsonl） - 每行必须是有效的 JSON 对象，包含
question和answer键： {"question": "法国的首都是什么？", "answer": "巴黎"} {"question": "解释量子计算", "answer": ""}
选项 2：JSON 格式
- 创建扩展名为
.json的数据文件（例如，my_questions.json） - 文件必须包含 JSON 对象数组，每个对象都有
question和answer键： [ { "question": "法国的首都是什么？", "answer": "巴黎" }, { "question": "解释量子计算", "answer": "" } ]
重要说明：answer 字段包含用于评估的基本事实/参考答案。系统会生成自己对问题的响应，这些参考答案用于在基准评估期间自动判断生成响应的质量。
文件处理的文件参考：
- 如果使用_文件解析器_工具，将文件名前置到
question字段 - 将引用的文件放在
eval_data/file_corpus/目录中 - 示例：
{"question": "(上传 1 个文件：['report.pdf'])\n\n关键发现是什么？", "answer": "..."}
文件组织：
project_root/
├── eval_data/
│ ├── my_questions.jsonl # 您的评估数据
│ └── file_corpus/ # 引用的文档
│ ├── report.pdf
│ └── data.xlsx
4. 配置推理脚本
- 打开
run_react_infer.sh并按照注释中的说明修改以下变量：MODEL_PATH——本地或远程模型权重的路径。DATASET——评估文件的完整路径，例如eval_data/my_questions.jsonl或/path/to/my_questions.json。OUTPUT_PATH——保存预测结果的路径，例如./outputs。
- 根据您启用的工具（检索、计算器、网络搜索等），提供所需的
API_KEY、BASE_URL或其他凭据。每个密钥都在 Bash 脚本的内联注释中进行了解释。
5. 运行推理脚本
bash run_react_infer.sh
通过这些步骤，您可以完全准备环境、配置数据集并运行模型。有关更多详细信息，请查阅每个脚本中的内联注释或打开问题。
6. 您可以使用 OpenRouter 的 API 调用我们的模型
Tongyi-DeepResearch-30B-A3B 现在可以在 OpenRouter 上使用。您可以在没有任何 GPU 的情况下运行推理。 您需要在文件 inference/react_agent.py 中修改以下内容：
- 在 call_server 函数中：将 API 密钥和 URL 设置为您的 OpenRouter 账户的 API 和 URL。
- 将模型名称更改为 alibaba/tongyi-deepresearch-30b-a3b。
- 按照第 88-90 行注释中的描述调整内容连接方式。
基准评估
我们为各种数据集提供基准评估脚本。更多详情请参阅 评估脚本 目录。
常见问题
请参阅 常见问题 了解更多详情。
深度研究智能体系列
通义深度研究还拥有广泛的深度研究智能体系列。您可以在以下论文中找到更多信息：
[1] WebWalker：在网络遍历中对 LLM 进行基准测试（ACL 2025）
[2] WebDancer：走向自主信息寻求智能体能力（NeurIPS 2025）
[3] WebSailor：为网络智能体导航超人级推理
[4] WebShaper：通过信息寻求形式化进行智能体式数据合成
[5] WebWatcher：突破视觉语言深度研究智能体的新前沿
[6] WebResearcher：在长时间智能体中释放无限推理能力
[7] ReSum：通过上下文摘要解锁长时间搜索智能
[8] WebWeaver：使用开放深度研究的动态大纲构建网络规模证据结构
[9] WebSailor-V2：通过合成数据和可扩展强化学习弥合与专有智能体的鸿沟
[10] 通过持续预训练扩展智能体
[11] 通过环境扩展走向通用智能体智能
[12] AgentFold：具有主动上下文管理的长时间网络智能体
[13] WebLeaper：为网络智能体赋能高效、信息丰富的寻求
[14] BrowseConf：为网络智能体提供置信度引导的测试时扩展
[15] 为细粒度搜索智能体监督重新利用合成数据
[16] ParallelMuse：深度信息寻求的智能体式并行思考
[17] AgentFrontier：通过 ZPD 引导的数据合成扩展 LLM 智能体的能力边界
[18] 为智能体式信息寻求进行嵌套浏览器使用学习
🌟 杂项
🚩 人才招聘
🔥🔥🔥 我们正在招聘！研究实习生职位开放（工作地点：杭州、北京、上海） 📚 研究领域：网络智能体、搜索智能体、智能体 RL、多智能体 RL、智能体 RAG ☎️ 联系方式：yongjiang.jy@alibaba-inc.com
联系信息
如需沟通，请联系 Yong Jiang（yongjiang.jy@alibaba-inc.com）。
引用
@article{tongyidr,
title={Tongyi DeepResearch Technical Report},
author={Team, Tongyi DeepResearch and Li, Baixuan and Zhang, Bo and Zhang, Dingchu and Huang, Fei and Li, Guangyu and Chen, Guoxin and Yin, Huifeng and Wu, Jialong and Zhou, Jingren and others},
journal={arXiv preprint arXiv:2510.24701},
year={2025}
}