摘要
Deep Research 是一类自主多步研究能力，给定复杂问题，模型自行规划检索路径、反复搜索与交叉验证，产出带引用的长报告 [1]。与检索增强生成的根本差异在路径由谁决定，端到端强化学习让模型学会自行规划与转向，流程写死者不属此类 [1]。公开评测成绩虽领先，但各家口径差异大，横向排名须谨慎，其正确定位是初稿机器与线索地图，而不是答案机器。
关键词：Deep Research；强化学习；多步检索；引用归因；GAIA；Humanity's Last Exam
1 概念
1.1 定义
Deep Research 指模型在给定复杂问题时，自主完成多轮检索、阅读、验证并交付长报告的能力 [1]。其构成含四要素，
- 自主规划，模型自己决定下一步查什么，而非执行预设步骤。
- 多步检索，数十次到上百次搜索，构成一条轨迹而非单次查询。
- 交叉验证，对同一事实从多个来源比对，而非单点采信。
- 可溯交付，结构化长报告，且论断可点回具体出处。
该能力由 OpenAI 于 2025 年 2 月首次以「Deep Research」命名发布，底座为 o3 早期版本，专为网页浏览优化 [1][2]。
1.2 与RAG的区别
二者常被混为一谈，但差别在三个层面，见下表。
| 维度 | 检索增强生成（RAG） | Deep Research |
|---|---|---|
| 检索轮次 | 一次检索后即生成 | 循环数十轮 |
| 路径来源 | 流程写死，由工程师预设 | 模型自主决定，遇死路可回退、转向 |
| 产物形态 | 一段答案 | 结构化报告 + 句子级引用 |
| 内核能力 | 检索 + 拼装 | 检索 + 规划 + 反思 + 综合写作 |
图1 单轮检索与多步研究的路径差异
判据只有一条，看它会不会自己决定下一步查什么。流程写死的系统，即便检索很多次，也不属于这一类。
1.3 能力分层
按任务性质可把适用场景分四层，据此判断该不该用。
| 层级 | 任务性质 | 典型问题 | 建议 |
|---|---|---|---|
| L1 | 事实查询 | 现在股价多少 | 不该用 |
| L2 | 单点问答 | 解释一个概念 | 不必用 |
| L3 | 多源综述 | 比较竞品、调研赛道 | 最适用 |
| L4 | 决策结论 | 该不该投、选哪家 | 用作输入，人做终判 |
越靠上越不该用（成本与时延不划算），越靠下越要人收尾（结论责任不可外推）。
2 必要性
2.1 检索预算约束
普通问答的失效不在模型不够聪明，而在检索预算。一个真实问题需要的证据往往散落在多个互不关联的站点，单次检索只能覆盖其中极小一部分，能拿到的信息完备度极低；而放开检索轮次，完备度可大幅提升。
这一差距与底座模型能力无关，同一个模型，把检索次数从一次放开到数十次，可获得的证据面就完全不同。这也解释了官方内部评测中的一个现象，即允许模型调用工具的次数越多，通过率越高 [1]。给定更多思考与浏览预算，它确实做得更好，且不是简单多次重试，而是把多轮信息逐步收敛。
2.2 需求缺口
| 需求类型 | 具体缺口 |
|---|---|
| 跨源比对 | 信息散在十余个站点，单次检索只能捞到一两处 |
| 需追加检索 | 查到一半才发现关键线索，单轮问答没有第二轮机会 |
| 要长报告 | 不是要一个答案，而是要一份有结构、有数据、有引用的综述 |
这三类恰是知识与分析类工作的主体。OpenAI 的定位表述是把原本需数小时的人工调研压缩到数分钟 [1]。
3 实践与评测
3.1 端到端强化学习
最关键的机制差异在训练方式。官方口径明确说明，Deep Research 使用端到端强化学习训练，训练任务即真实世界的浏览与推理任务；通过训练，模型学会了规划多步轨迹、在无效路径上回退、根据实时读到的内容改变策略 [1]。
图2 端到端强化学习与手写流程的能力来源对比
与手写 workflow 的本质差别是泛化能力而非步骤多寡。手写流程能处理好预设场景，遇到未设计的路径即失效；端到端策略在异常情况下仍能自行找路。这一判断有开源侧的独立佐证，在真实网页环境做强化学习的方案，显著优于提示词工程基线与基于固定语料库的强化学习方案 [5]。
3.2 单轮执行链路
一次研究可拆为五步循环，反复执行至模型判断材料足够。
| 步骤 | 动作 | 产出 |
|---|---|---|
| 1 规划 | 拆解问题为子任务，决定先查什么 | 检索计划 |
| 2 检索 | 发出搜索请求 | 候选页面列表 |
| 3 阅读 | 打开页面抽取关键信息，含 PDF 与图片 | 证据片段 |
| 4 反思 | 判断信息是否足够、缺什么 | 下一轮检索意图 |
| 5 综合 | 组织成报告并标注引用 | 可交付初稿 |
工具层面有三类能力，分别是网页浏览（搜索、点击、滚动、解析文件）、沙箱 Python（真实执行计算与绘图，而非生成一段描述）、用户上传文件（与网络材料一并分析）[1][2]。
循环的终止条件由模型自行判定，没有固定轮次上限，这是它区别于固定流水线的又一表现。
3.3 上下文压缩
放开轮次会带来上下文膨胀，数十个网页全文无法塞入上下文窗口。因此链路中必须有压缩环节，把已读内容提炼为证据笔记，丢弃冗余，仅保留可引用的证据。
这直接决定了耗时的量级差异，OpenAI 单任务通常 5–30 分钟，而以速度为导向的方案可在 3 分钟内交付 [7]。二者是设计取舍，不是优劣。
3.4 引用归因
报告带引用不等于可信。真正有价值的是句子级引用，每个论断可点回原始出处的具体段落，而非仅给出域名或首页链接 [1]。
三类归因失败需分别识别与处置，见下表。
| 失败类型 | 表现 | 特征 | 处置 |
|---|---|---|---|
| 错配 | 页面存在但不支持该论断 | 最难发现，链接点得开 | 读上下文后判定，标为待核 |
| 断链 | 链接失效或仅指首页 | 最常见 | 重新定位或降级为背景引用 |
| 幻觉 | 来源根本不存在 | 最危险 | 直接删除 |
人工核对一条引用可固化为四步，依次是点开链接 → 定位段落 → 读上下文确认支持关系 → 查来源属性（一手或二手、权威度）。四步全过方可作为有据论断。
另一项易被忽略的设计是先追问，即在开始研究前先提出澄清问题，把需求边界定清楚。官方将其作为产品决策对待，因其成本远低于事后返工 [1]。
3.5 评测基准
当前公认的考卷有三张，各自适用面如下。
| 基准 | 考察内容 | Deep Research 成绩 |
|---|---|---|
| Humanity's Last Exam | 专家级知识，3000+ 题、100+ 学科 [3] | 26.6% |
| GAIA | 真实世界任务，分三级难度 [4] | pass@1 67.36%；cons@64 72.57% |
| BrowseComp | 定位难找的信息 | 官方未在首发公布 |
HLE 横向对照（同一评测配置下），GPT-4o 3.3%、Grok-2 3.8%、Claude 3.5 Sonnet 4.3%、Gemini Thinking 6.2%、OpenAI o1 9.1%、DeepSeek-R1 9.4%、o3-mini（medium）10.5%、o3-mini（high）13.0%、Deep Research 26.6% [1]。即约为前代最强单模型的两倍。
GAIA 分级详情如下。
| 配置 | Level 1 | Level 2 | Level 3 | 均值 |
|---|---|---|---|---|
| 前 SOTA | 67.92 | 67.44 | 42.31 | 63.64 |
| Deep Research（pass@1） | 74.29 | 69.06 | 47.6 | 67.36 |
| Deep Research（cons@64） | 78.66 | 73.21 | 58.03 | 72.57 |
表1 GAIA 分级成绩，数据来自 OpenAI 官方公布
值得注意的不是均值提升，而是最难的 Level 3 提升幅度最大（42.31 → 58.03）。Level 3 需要多步推理与跨源综合，恰是这类能力最该发挥作用的区间。
口径警示，上述分数依赖工具配置、尝试次数与题库版本。跨时间、跨厂商直接比较会得出错误结论，这一点在下节尤其重要。
4 边界与风险
4.1 四家路线的不同取舍
同一品类，各方取舍不同，见下表。
| 方案 | 底座 | 单任务耗时 | HLE | 侧重 |
|---|---|---|---|---|
| OpenAI Deep Research | o3 早期版本 | 5–30 分钟 | 26.6% | 分析厚度 |
| Perplexity Deep Research | 定制 DeepSeek R1 + 测试时计算扩展 | < 3 分钟 | 21.1% | 速度与成本 |
| Gemini Deep Research（2025-12 API 版） | Gemini 3 Pro | 后台运行 | 46.4% | 生态整合 |
| 开源方案 | Qwen 系 32B 等 | 自控 | — | 数据可控 |
Perplexity 的 21.1% 由其官方公布 [7][8]。Gemini 侧的 46.4% 与 BrowseComp 59.2% 出自 2025 年 12 月开放 API 时的官方口径，更强的 Max 版本 HLE 达 54.6% [6]。
这几个数字不可直接比较。OpenAI 的 26.6% 是 2025 年 2 月 o3 时代的成绩，Gemini 的 46.4% 是 2025 年 12 月 Gemini 3 Pro 的成绩，相隔十个月且工具链不同。把它当作「该公司强于该公司」的依据是误读；正确的读法是「同一时期内，这一品类在快速迭代」。
4.2 开源
复现路径已经打通，三条代表路线都在真实网页环境中做强化学习，而非在固定语料库内。
| 方案 | 思路 | 关键结果 |
|---|---|---|
| DeepResearcher | 真实 Web 环境端到端 RL [5] | 超提示词工程基线 28.9 分，超基于 RAG 的 RL 7.2 分 |
| WebThinker | 推理过程中搜索并起草报告 [9] | 在复杂推理与报告生成任务上超越强闭源系统 |
| ASearcher | 异步长时程 RL [10] | 32B 模型在 GAIA 达 58.7 |
这一区别并非实现细节，因为固定语料库假设所有所需信息都在库内，而真实网页是嘈杂、动态、会变的。DeepResearcher 的结论是，在真实环境训练是必要的而非可选的 [5]。
4.3 能做与不能做
| 能做 | 不能做 |
|---|---|
| 跨多个来源综合信息 | 实时性，单次数分钟至半小时 |
| 产出有结构的长报告 | 墙后内容，付费墙与登录墙之后读不到 |
| 每条论断可溯源到原文 | 权威性判断，官方亦承认难以区分权威来源 |
| 附带数据计算与图表 | 替代人的最终判断 |
因此其正确定位是初稿机器 + 线索地图，负责把资料找齐、把初稿写出来，判断与结论仍由人承担。
4.4 三个风险
| 风险 | 说明 | 兜底 |
|---|---|---|
| 幻觉与来源错配 | 引用真实存在但不支持论断的页面，最难发现 | 句子级引用 + 人工抽查 |
| 成本与时延 | 单次数十分钟计算量，批量使用需算预算与排队 | 单次预算上限 + 批量调度 |
| 评估口径不可比 | 工具配置、尝试次数、题库版本各异 | 自建域内小测集，同口径自测 |
第三条风险的处置最实用，即拿自己领域的十个真实问题建一个小测集，用同一口径测量，比看任何公开榜单都可靠。
总结
Deep Research 换的是调研这件事的承担者，从人来查、人来写，变成模型自主查、人来做判断，底牌是用强化学习训出来的自主策略而不是人写的流程，所以它在没设计过的路径上也能自己找路。把它当研究助手用挺合适，当答案机器用不合适。
参考文献
[1] OpenAI. "Introducing deep research." OpenAI Blog, 2025.\ [2] OpenAI. "Deep Research System Card." OpenAI, 2025.\ [3] L. Phan et al. "Humanity's Last Exam." arXiv:2501.14249, 2025.\ [4] G. Mialon et al. "GAIA: a benchmark for General AI Assistants." arXiv:2311.12983, 2023.\ [5] Y. Zheng et al. "DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments." arXiv:2504.03160, 2025.\ [6] L. Haas, S. Basu Mallick. "Build with Gemini Deep Research." Google Blog, 2025.\ [7] A. Ha. "Perplexity launches its own freemium 'deep research' product." TechCrunch, 2025.\ [8] Perplexity. "Deep Research on Perplexity scores 21.1% on Humanity's Last Exam." Perplexity 官方, 2025.\ [9] X. Li et al. "WebThinker: Empowering Large Reasoning Models with Deep Research Capability." arXiv:2504.21776, 2025.\ [10] J. Gao et al. "Beyond Ten Turns: Unlocking Long-Horizon Agentic Search with Large-Scale Asynchronous RL." arXiv:2508.07976, 2025.
