🤗 HuggingFace ｜ Slack | WeChat

📣 新闻

• [2026.3.24] 🔥 OpenResearcher 论文 现已发布，强调了深度研究流程设计的实用见解。已被 NVIDIA 的 Nemotron 系列模型采用！
• [2026.2.25] 荣幸成为 🤗 Hugging Face 上前 3 名趋势数据集之一 —— 现在下载量达 1.1 万+！
• [2026.2.18] OpenResearcher 训练 代码 现已可用。开始训练您自己的 OpenResearcher！
• [2026.2.14] 很高兴我们的 OpenResearcher 演示 视频 上线。立即探索，解锁深度研究的强大力量！
• [2026.2.12] 很高兴看到 OpenResearcher 在 NVIDIA's NeMo Data Designer 中为深度研究轨迹生成提供动力！
• [2026.2.10] 我们的 X 帖子 获得了 1.2K+ 点赞! 欢迎查看帖子并参与讨论！

💥 简介

OpenResearcher 是一个完全开源的 Agentic Large Language Model (智能体大语言模型) (30B-A3B)，专为长周期深度研究场景设计。它在 BrowseComp-Plus 上取得了令人印象深刻的 54.8% 准确率，超越了 GPT-4.1, Claude-Opus-4, Gemini-2.5-Pro, DeepSeek-R1 和 Tongyi-DeepResearch 的性能。我们完全开源了训练和评估方案——包括数据、模型、训练方法和评估框架，供所有人推进深度研究。

🏆 深度研究基准测试结果

✨ 特性

• 🔑 完全开源方案 — 我们完全开源了 96K 高质量 DeepResearch 轨迹数据集，该数据集包含由 GPT-OSS-120B 生成的 100+ 轮对话，使用了 原生浏览器工具。基于此训练的领先 30B-A3B 模型、蒸馏方案 以及轻量级 DeepResearch 评估框架 均已开源，以推动深度研究发展。

• 💰 高度可扩展且低成本 — 我们使用自研检索器在专用约 11B-token 语料库 上大规模生成了 DeepResearch 轨迹，消除了对外部 Search API 的需求。这种可扩展的检索器显著降低了训练成本。

• 🚀 在深度研究基准测试上表现卓越 — OpenResearcher 在一系列深度研究基准测试中展现出领先性能，包括 BrowseComp-Plus, BrowseComp, GAIA, xbench-DeepSearch。

📋 目录

• 🛠 环境设置
  • 安装
  • 深度研究基准准备
• 🔍 配置
• 🚀 快速开始
• 🔬 评测 OpenResearcher
  • 示例 1：使用本地搜索引擎的 BrowseComp-Plus
  • 示例 2：使用 Serper API 的 GAIA（无需本地搜索）
  • 评估
  • 快捷命令
• 🧪 （可选）训练您自己的 OpenResearcher
• 🤝 核心贡献者
• 🎓 顾问
• 🙏 致谢
• ✨ 贡献
• 📚 引用

🛠 环境设置

我们在以下环境中运行此仓库：

• 8 * A100 80G Nvidia GPU
• Linux 操作系统

其他硬件配置也可以工作，但请记住修改相应的参数。

安装

sudo apt update 
sudo apt install -y openjdk-21-jdk

# install uv
curl -LsSf https://astral.sh/uv/install.sh | sh
uv venv --python 3.12
source .venv/bin/activate

# install tevatron for BrowseComp-plus 
git clone https://github.com/texttron/tevatron.git
cd tevatron
uv pip install -e .
cd ..

# install all dependencies automatically
uv pip install -e .

深度研究基准准备

运行设置脚本以自动下载 BrowseComp-Plus 基准。其他基准，包括 BrowseComp、GAIA 和 xbench-DeepResearch，将在首次使用时自动设置。

bash setup.sh

此脚本将：

• ✅ 验证 Python 3.12 虚拟环境并自动安装任何缺失的依赖项
• ✅ 从 HuggingFace 下载 BrowseComp-Plus 数据集并设置目录结构

有关这些深度研究基准的更多信息，请参见 benchmarks.md。

🔍 配置

复制模板并配置您的 API (应用程序接口) 密钥：

cp .env.template .env

编辑 .env：

# Serper API (for web search when using browser_backend=serper)
SERPER_API_KEY=your_key        # Get from: https://serper.dev/

# OpenAI API (for evaluation scoring)
OPENAI_API_KEY=your_key        # Get from: https://platform.openai.com/api-keys

🚀 快速开始

前置条件： 安装依赖项并配置 API 密钥（见 环境设置 和 配置）

1. 部署 OpenResearcher-30B-A3B：

bash scripts/start_nemotron_servers.sh

完整的 vLLM (高性能推理服务器) 服务器日志可在 logs 目录中找到。

2. 运行您的第一个任务（在继续之前，请检查 logs 目录中的日志以确保 vLLM 服务器已部署。）

import asyncio
from deploy_agent import run_one, BrowserPool
from utils.openai_generator import OpenAIAsyncGenerator

async def main():
    # Initialize generator and browser
    generator = OpenAIAsyncGenerator(
        base_url="http://localhost:8001/v1",
        model_name="OpenResearcher/OpenResearcher-30B-A3B",
        use_native_tools=True
    )
    browser_pool = BrowserPool(search_url=None, browser_backend="serper")

    # Run deep research
    await run_one(
        question="What is the latest news about OpenAI?",
        qid="quick_start",
        generator=generator,
        browser_pool=browser_pool,
    )

    browser_pool.cleanup("quick_start")

if __name__ == "__main__":
    asyncio.run(main())

深度研究智能体 (agent) 将自动搜索网络、浏览网页并提取相关信息。您将看到最终答案以及所有中间推理步骤。

🔬 OpenResearcher 基准测试

我们使用以下深度研究基准对 OpenResearcher-30B-A3B 进行了基准测试：

基准测试	数据集键	大小	语言	搜索后端	描述
BrowseComp-Plus	browsecomp_plus	830	EN	local	来自 BrowseComp 的深度研究基准，隔离了检索器 (retriever) 和 LLM (大语言模型) 智能体的影响
BrowseComp	browsecomp	1,266	EN	serper	面向浏览智能体的简单却具挑战性的基准
GAIA-text	gaia	103	EN	serper	GAIA 基准的纯文本子集（开发集划分）
xbench-DeepResearch	xbench	100	ZH	serper	带有加密测试用例的 DeepSearch 基准

有关这些深度研究基准的更多信息，请参见 benchmarks.md。

示例 1：使用本地搜索引擎的 BrowseComp-Plus

使用本地稠密 (Dense) 搜索配合 browsecomp-plus 语料库 (corpus) 和 嵌入向量 (embeddings) 进行完整评估（注意：仅适用于 BrowseComp-Plus）：

# Terminal 1: Start local Dense search service on port 8000
# Embedding model (Qwen3-Embedding-8B) will be deployed on GPUs 7
bash scripts/start_search_service.sh dense 8000

# Terminal 2: Start vLLM servers (requires 4 GPUs)
# TP=2, deploy 2 servers starting from port 8001 on GPUs 0,1,2,3
bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3

# Terminal 3: Run agent
bash run_agent.sh results/browsecomp_plus/OpenResearcher_dense 8001 2 browsecomp_plus local OpenResearcher/OpenResearcher-30B-A3B

这做了什么：

• 在端口 8000 上部署稠密检索器服务作为搜索引擎
• 启动 2 个 vLLM 服务器（端口 8001, 8002），TP (张量并行)=2，跨 4 个 GPU 部署
• 运行深度研究智能体，并在两个服务器之间进行负载均衡

示例 2：使用 Serper API 的 GAIA（无需本地搜索）

使用 Serper Google 搜索 API 运行（注意：适用于除 BrowseComp-Plus 之外的所有基准）：

# Terminal 1: Start vLLM servers (requires 4 GPUs)
bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3

# Terminal 2: Run agent with serper search backend
bash run_agent.sh results/gaia/OpenResearcher_serper 8001 2 gaia serper OpenResearcher/OpenResearcher-30B-A3B

浏览器后端选项：

• local - 使用本地 BM25/稠密搜索服务（用于 BrowseComp-Plus）
• serper - 使用 Serper Google 搜索 API（用于其他所有基准）

对于其他参数，请参考 parameter.md。

评估

运行实验后，评估结果：

# eval on browsecomp_plus
python eval.py --input_dir results/browsecomp_plus_dense/OpenResearcher_dense

# eval on gaia
python eval.py --input_dir results/gaia/OpenResearcher_serper

快速命令

场景	命令
BrowseComp-Plus (BM25)	bash scripts/start_search_service.sh bm25 8000 then bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3 then bash run_agent.sh results/browsecomp-plus/OpenResearcher_bm25 8001 2 browsecomp_plus local OpenResearcher/OpenResearcher-30B-A3B
BrowseComp-Plus (Qwen3-8B 稠密嵌入 (Dense Embeddings))	bash scripts/start_search_service.sh dense 8000 then bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3 then bash run_agent.sh results/browsecomp-plus/OpenResearcher_dense 8001 2 browsecomp-plus local OpenResearcher/OpenResearcher-30B-A3B
BrowseComp	bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3 then bash run_agent.sh results/browsecomp 8001 2 browsecomp serper OpenResearcher/OpenResearcher-30B-A3B
GAIA	bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3 then bash run_agent.sh results/gaia 8001 2 gaia serper OpenResearcher/OpenResearcher-30B-A3B
xbench-DeepResearch	bash scripts/start_nemotron_servers.sh 2 8001 0,1,2,3 then bash run_agent.sh results/xbench 8001 2 xbench serper OpenResearcher/OpenResearcher-30B-A3B

有关脚本参数说明，请参阅 parameter.md。

注意： 别忘了使用以下命令评估您的结果：

python eval.py --input_dir [INPUT_DIR]

🧪（可选）训练您自己的 OpenResearcher

我们的 OpenResearcher-30B-A3B 是基于 openresearcher-dataset，使用 Megatron-LM 训练的。要开始操作，请克隆 Megatron-LM 仓库的 openresearcher 分支：

git clone -b openresearcher https://github.com/jdf-prog/Megatron-LM.git

然后，按照这里的训练指南来训练您自己的 OpenResearcher！

🤝 核心贡献者

Zhuofeng Li

Dongfu Jiang

Xueguang Ma

Haoxiang Zhang

Ping Nie

🎓 导师

Wenhu Chen

Yu Zhang

🙏 致谢

✨ 贡献

我们非常期待社区对 OpenResearcher 的开源贡献！如果您有兴趣参与贡献、协作或报告问题 (Issue)，请随时提交一个 Issue 或拉取请求 (PR)。您也可以通过 zhuofengli12345@gmail.com 联系我们。

我们也期待您的反馈和建议！

📚 引用

@article{li2026openresearcher,
  title={{OpenResearcher: A Fully Open Pipeline for Long-Horizon Deep Research Trajectory Synthesis}},
  author={Li, Zhuofeng and Jiang, Dongfu and Ma, Xueguang and Zhang, Haoxiang and Nie, Ping and Zhang, Yuyu and Zou, Kai and Xie, Jianwen and Zhang, Yu and Chen, Wenhu},
  journal={arXiv preprint arXiv:2603.20278},
  year={2026}
}

⭐ Star 历史记录

↑ Back to Top ↑

OpenResearcher 快速上手指南

OpenResearcher 是一个专为长周期深度研究场景设计的开源智能体大语言模型（30B-A3B）。它支持自主搜索、浏览网页并提取信息，在多项深度研究基准测试中表现优异。

1. 环境准备

• 操作系统: Linux
• 硬件要求: 推荐 8 * A100 80G Nvidia GPUs（其他配置需调整参数）
• Python 版本: 3.12+
• 依赖工具: OpenJDK 21, uv (Python 包管理器)

2. 安装与配置

安装依赖

请在终端执行以下命令初始化环境：

sudo apt update 
sudo apt install -y openjdk-21-jdk

# 安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh
uv venv --python 3.12
source .venv/bin/activate

# 安装 tevatron (用于 BrowseComp-plus)
git clone https://github.com/texttron/tevatron.git
cd tevatron
uv pip install -e .
cd ..

# 安装所有项目依赖
uv pip install -e .

准备数据集与基准

运行设置脚本自动下载 Benchmark 数据集并创建目录结构：

bash setup.sh

配置环境变量

复制模板文件并填入必要的 API Key：

cp .env.template .env

编辑 .env 文件，确保包含以下密钥（可从对应平台获取）：

# Serper API (用于网络搜索)
SERPER_API_KEY=your_key

# OpenAI API (用于评估打分)
OPENAI_API_KEY=your_key

3. 快速运行示例

启动服务

首先部署 vLLM 服务器（请确保日志正常）：

bash scripts/start_nemotron_servers.sh

运行任务

创建一个 Python 脚本（例如 quick_start.py），内容如下：

import asyncio
from deploy_agent import run_one, BrowserPool
from utils.openai_generator import OpenAIAsyncGenerator

async def main():
    # 初始化生成器和浏览器池
    generator = OpenAIAsyncGenerator(
        base_url="http://localhost:8001/v1",
        model_name="OpenResearcher/OpenResearcher-30B-A3B",
        use_native_tools=True
    )
    browser_pool = BrowserPool(search_url=None, browser_backend="serper")

    # 运行深度研究任务
    await run_one(
        question="What is the latest news about OpenAI?",
        qid="quick_start",
        generator=generator,
        browser_pool=browser_pool,
    )

    browser_pool.cleanup("quick_start")

if __name__ == "__main__":
    asyncio.run(main())

执行脚本后，Agent 将自动搜索网络、浏览页面并输出最终答案及推理过程。