DR-Venus: Towards Frontier Edge-Scale Deep Research Agents with Only 10K Open Data
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告描述深度研究任务形式化、两阶段 agentic 训练流程、轨迹清洗与长程重采样、IGPO 回合级奖励与格式惩罚设计，并在六项基准上对照评测，公开模型、代码与训练要点。
关键要点
- 训练分两阶段：先对清洗并重采样后的 REDSearcher 轨迹做 agentic SFT，再以 IGPO 与回合级奖励做 agentic RL。
- 回合感知重采样将 SFT 最终训练集从 9,365 增至 18,745 个实例。
- 在约 10K 开放数据上，DR-Venus-4B 在多项深度研究基准上显著优于 9B 参数以下的既有 agentic 模型。
- 相对带重采样的 SFT 基线，DR-Venus-4B-RL（IGPO）在 BrowseComp 上提升 +2.3，在 BrowseComp-ZH 上提升 +2.0；同设定下 GRPO 几乎无增益。
- Pass@1 上 BrowseComp 由 SFT 的 26.8 升至 RL 的 29.1；BrowseComp-ZH 上 DR-Venus-4B-SFT 在 Pass@16 达 78.5。
- 聚合层面 browse 比例由 SFT 的 17.49% 升至 RL 的 22.46%，正确轨迹的 browse 比例由 23.71% 升至 28.96%。