转载自：阶跃星辰
比肩 Gemini、成本直降 90%！
向大家介绍我们最新端到端深度研究智能体模型：Step-DeepResearch。
它能做什么？
会思考：懂规划、会反思、还能自主验证信息的真伪，不只是数据爬虫。
更专业：结合高质量搜索 API，内置 2000 万+ 高质量文档库和 600+ 权威站点索引，过滤低信源信息干扰。
更聪明：独特的原子能力训练法，让模型把“专家思维”内化在骨子里。
在针对真实复杂场景的 ADR-Bench 评测中，Step-DeepResearch 表现出极强竞争力，在多个维度上全面超越海内外一线 DeepResearch 产品和模型，包括基于千亿级甚至万亿级参数 MoE 架构的 Gemini DeepResearch、OpenAI DeepResearch 等模型。
而 Step-DeepResearch 仅基于单智能体架构实现。
在我们的技术报告全面公开后，立刻引发海内外社区热烈讨论，并入选 HuggingFace Daily Papers。
现在，我们开启 API 内测，欢迎大家踊跃体验！
论文地址：https://arxiv.org/pdf/2512.20491
GitHub：https://github.com/stepfun-ai/StepDeepResearch
API 内测：https://wvixbzgc0u7.feishu.cn/share/base/form/shrcn8CP78PJgkjvvIh2C3EF3cc
官方主页：https://www.stepfun.com/deep-research-invitation
Step-DeepResearch 在多项权威基准测试中都达到全球顶尖水平。
在 Research Rubrics 上，Step-DeepResearch 得分 61.42%，仅次于 Gemini DeepResearch（约 63.69分），且超越了 OpenAI DeepResearch。
在“引用质量”和“沟通质量”两个维度上达到了行业最高水平。
在针对真实研究场景的 ADR-Bench 评测中，Step-DeepResearch 的人类 Elo 评分在多个维度处于第一梯队。
特别是在与 Gemini DeepResearch等顶尖模型的直接博弈中，其“胜+平”率高达 67.1%，证明了其生成的报告质量已达到当前最先进水平。
▲上下滑动查看详细内容
Step-DeepResearch 的主要创新可归纳为3方面：
基于原子能力的数据合成策略
渐进式智能体训练范式
自建 ADR-Bench 评估体系
我们将深度研究能力拆分为四个原子能力，并针对性地合成数据进行强化。
规划与任务拆解：能将模糊、宏大的用户需求拆解为可执行的子任务，并根据环境反馈动态调整路径。
深度信息搜索：具备多跳推理能力，能在信息不完整时进行“主动拓扑行走”，挖掘隐藏实体。
反思与验证：拥有“自纠错”和“事实核查”能力，能识别自身错误并区分网络信息的真伪，通过跨源验证确保逻辑严密。
报告生成：通过中期训练（Mid-training）学习专家写作风格，并利用 SFT 确保报告严格遵循规划结构和引用规范。
我们的智能体训练范式主要包含三个阶段：
Agentic Mid-training：在预训练和微调之间加入 Mid-training，通过 32K 和 128K 两个阶段的上下文调度，注入原子能力，使模型内化“下一步行动”的决策逻辑，而非简单的“预测下一个 Token”。
SFT：侧重于长程决策轨迹的合成与领域适配，强化意图理解、规划执行及严格引用格式的遵循，解决模型在长时间研究任务中容易“分心”或“迷路”的问题。
RL：引入 Checklist-style Judger 奖励设计，将复杂的报告质量评估转化为细粒度的信号，进一步优化长程决策的鲁棒性。
在系统架构上，我们采用单智能体 ReAct 架构，避免复杂多智能体系统协作带来的系统冗余。
此外，为了填补中文深度研究评估的空白，我们还构建了 ADR-Bench，涵盖商业调研、政策分析、软件工程等 9 大领域，包含通用和专业（法律、金融）两个维度。该基准测试不仅关注搜索结果是否正确，更加关注研究过程中的逻辑严密性、意图识别深度以及长程决策的鲁棒性。
欢迎转发，但请注明出处“上海经信委”
觉得不错请点赞！
