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
最新主页：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。
step-deepresearch 引用最新行业动态（step-gui、豆包手机等），来自上百条条高质量信源，内容覆盖底层技术、应用、挑战与争议，客观全面分析议题，达到标准调深度研报告水平。
▲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”
上观号作者：上海经信委
