OpenResearcher: как обучать ИИ-агентов проводить глубокие исследования по 97 тысячам траекторий
OpenResearcher предлагает полностью открытый конвейер для обучения ИИ-агентов, способных проводить многоэтапные исследования: искать сведения, открывать документы, находить доказательства и формировать итоговый ответ. Проект опубликован в марте 2026 года, поэтому рассматриваем его как актуальный инженерный разбор, а не срочную новость.
Команда TIGER-AI-Lab открыла модель, данные, код обучения, оценочную среду и автономный поисковый контур. Главное отличие от обычного RAG — обучение не только поиску релевантного фрагмента, но и длинной последовательности действий, где агент возвращается к поиску, уточняет запросы и сопоставляет источники.
Что входит в OpenResearcher
- более 97 тысяч синтезированных исследовательских траекторий;
- значительная доля примеров со 100 и более вызовами инструментов;
- модель класса 30B-A3B, обученная на этих данных;
- код генерации данных и дообучения;
- локальная поисковая среда на корпусе примерно из 15 млн документов;
- инструменты оценки на BrowseComp-Plus, BrowseComp, GAIA и xbench-DeepSearch.
Траектория — это не готовая статья и не отдельная пара «вопрос–ответ». Она фиксирует весь путь агента: поисковый запрос, просмотр результатов, открытие документа, поиск фрагмента, промежуточные выводы и финальный ответ. Такой формат позволяет обучать процесс исследования, а не запоминание фактов.
Зачем понадобился офлайн-поиск
Сбор длинных траекторий через коммерческие поисковые API дорог и плохо воспроизводим. Выдача меняется, страницы исчезают, ограничения запросов усложняют эксперименты. OpenResearcher отделяет однократное формирование корпуса от многократного обучения агентов и выполняет цикл поиска по локальной коллекции.
В среде используются три базовых действия: search, open и find. Их достаточно, чтобы исследовать документы, но они ограничивают число переменных в эксперименте. Исследователи могут повторить одинаковый тест, изменить модель или стратегию агента и сравнить результаты в контролируемых условиях.
Какие результаты показала модель
В статье сообщается о 54,8% точности на BrowseComp-Plus — на 34 процентных пункта выше исходной модели до обучения. Авторы также приводят сравнения с рядом известных закрытых и открытых систем. Эти цифры следует трактовать в рамках конкретного бенчмарка и поисковой конфигурации: они не доказывают универсальное превосходство во всех задачах deep research.
Особенно важен вывод о связи между успешным поиском и финальным ответом. Агент может найти правильный источник, но неверно объединить доказательства, либо хорошо рассуждать на неполных данных. Поэтому качество deep research нельзя оценивать одной метрикой итогового ответа — нужны отдельные показатели полноты поиска, корректности цитирования и обоснованности вывода.
Где это полезно бизнесу
OpenResearcher интересен компаниям, которым нужен контролируемый исследовательский агент внутри корпоративного контура. Он может стать основой для анализа нормативных документов, подготовки обзоров рынка, технической разведки, проверки тендеров или поиска сведений в большом архиве.
Для организаций Узбекистана особенно актуальна возможность построить собственный корпус на русском и узбекском языках: законодательство, госдокументы, отраслевые отчёты, технические регламенты и внутренние базы знаний. Локальный поиск уменьшает зависимость от внешних API и позволяет контролировать доступ к конфиденциальным материалам.
Ограничения для внедрения
- Языки. Основные опубликованные оценки не заменяют тестирование на узбекоязычных и смешанных запросах.
- Инфраструктура. Для полного эталонного запуска репозиторий предусматривает несколько GPU и отдельный поисковый сервис.
- Актуальность. Офлайн-корпус воспроизводим, но быстро устаревает без регулярного обновления.
- Цитирование. Найденная страница ещё не гарантирует, что вывод агента подтверждён именно указанным фрагментом.
- Безопасность. Внешние документы могут содержать инструкции, пытающиеся изменить поведение агента.
Как провести пилот в компании
- Выбрать одну предметную область и собрать проверенный корпус документов.
- Подготовить 50–100 вопросов с известными ответами и обязательными источниками.
- Измерять отдельно поиск, доказательства, цитаты и финальный вывод.
- Сравнить агента с простым RAG и работой специалиста по времени и качеству.
- Ограничить число шагов, домены, инструменты и стоимость одного исследования.
- Добавить проверку человеком для юридических, финансовых и управленческих решений.
Необязательно сразу воспроизводить весь процесс обучения. Практичный вариант — сначала запустить готовую модель или использовать опубликованный набор траекторий для проектирования собственного eval-набора. Только после подтверждения пользы стоит инвестировать в дообучение и локальный поисковый индекс.
Итог
Главная ценность OpenResearcher — не очередной чат-бот, а воспроизводимая инженерная база для deep research. Проект показывает, как разделить поиск, работу с доказательствами и рассуждение, а затем измерять каждый этап. Для интеграторов это возможность строить исследовательских агентов на собственных данных, но успех будет зависеть от качества корпуса, локальных языковых тестов и строгой проверки ссылок.
