爆火！学术团队仅凭SFT打破大厂垄断，OpenSeeker-v2 登顶搜索智能体榜单

深度搜索的“轻功”秘籍：高质量数据如何重塑智能体训练范式

在当今的大模型竞技场，深度搜索能力堪称顶尖智能体的“王牌”。但长久以来，这张王牌的打造工艺，似乎被一条高资源消耗的“流水线”所垄断：从预训练、持续预训练，到监督微调，再到强化学习，每一步都意味着巨大的算力与资金投入。

然而，最近学术圈的一项突破，彻底动摇了这条看似固若金汤的路径。一支研究团队推出的

证明，事情或许有更巧妙的解法。他们的核心发现令人振奋：

这个成果的份量在哪？关键在于，这是首个在同等模型规模与架构下，由纯学术团队仅凭SFT技术实现的SOTA级搜索智能体。目前，团队已经大方地开源了

的模型权重。此举的意义不言而喻——它极大地拉低了前沿搜索智能体的研发门槛，为学术界和开源社区指明了一条更轻量化、更具可操作性的开发路径。

论文地址：https://arxiv.org/pdf/2605.04036