Qwen/Qwen3-30B-A3B-Thinking-2507

OpenSeeker-v2 : лучший в своем классе Deep Research агент, созданный академической командой всего на 10600 примерах Исследователи из Шанхайского университета Цзяо Тун представили OpenSeeker-v2 — агента, который самостоятельно исследует интернет в ответ на сложный вопрос: формулирует цепочку поисковых запросов, читает страницы, сопоставляет источники и выдаёт развёрнутый ответ. Для обучения использовалось всего 10600 правильно подобранных примеров, сгенерированных полностью автоматически без участия людей-разметчиков. Модель обучили за один этап, без предобучения и без обучения с подкреплением. OpenSeeker-v2 побила Tongyi DeepResearch от Alibaba на четырёх бенчмарках: 46.0% против 43.4% на BrowseComp, 58.1% против 46.7% на BrowseComp-ZH, 34.6% против 32.9% на Humanity's Last Exam, 78.0% против 75.0% на xbench. OpenSeeker-v2 построен на базе Qwen3-30B-A3B-Thinking-2507 — 30B MoE модели, у которой при генерации ответа активируется только 11% параметров, что заметно снижает вычислительные затраты. Контекстное окно составляет 256k токенов, а на одну задачу агент может совершить до 200 вызовов инструментов. Процесс генерации данных для обучения выглядит так: берётся граф знаний, вокруг случайного узла строится подграф, на его основе генерируется вопрос, затем агент ищет ответ в интернете. Последовательность шагов записывается как обучающий пример. Это одна из причин, почему подход доступен университетским командам: не нужен бюджет на разметку данных. При этом чем больше граф, тем сложнее задача — модель вынуждена искать ответ не в одном документе, а выстраивать цепочку переходов между несколькими источниками (multi-hop reasoning). Проект полностью открытый: веса модели доступны на Hugging Face , а код обучения и код генерации обучающих данных — на GitHub . #Stateoftheart