港科大 X MiniMax：高质量数据、小模型挑战复杂网络搜索难题

当 AI 遇上复杂网络搜索

随着大型语言模型 (LLM) 的快速发展，AI Agent 的能力边界不断扩展。网络搜索 Agent 作为这一发展的重要组成部分，能够自主地从广泛的在线资源中检索信息。然而，现有的开源网络 Agent 在处理复杂搜索任务时表现有限，而更强大的商业模型又缺乏透明的训练细节。人工智能需要在多个网站间进行复杂的推理和搜索，这正是长视野 (Long-Horizon) 网络 Agent 面临的挑战。

近日，香港科技大学（HKUST）与 AI 公司 MiniMax 的联合团队，在 arXiv 上发表了一篇题为

《WebExplorer: Explore and Evolve for Training Long-Horizon Web Agents》的论文，直指 Web Agent 当前问题核心：不是模型参数不够多，而是缺乏足够有挑战性的训练数据。

研究者提出了一种构建高质量 QA 对的方法，将这些数据用于模型训练之后的结果表明，即使是较小的模型，也可以在复杂、长程的搜索任务上超越更大的模型。

核心挑战：优质训练数据的稀缺

近年来，随着大型语言模型 (LLM) 的快速发展，AIAgent 的能力边界不断扩展。网络搜索 Agent 作为这一发展的重要组成部分，能够自主地从广泛的在线资源中检索信息。然而，现有的开源网络 Agent 在处理复杂搜索任务时表现有限，而更强大的商业模型又缺乏透明的训练细节。人工智能需要在多个网站间进行复杂的推理和搜索，这正是长视野 (Long-Horizon) 网络 Agent 面临的挑战。

WebExplorer 论文的作者们发现，开发高能力网络 Agent 的根本挑战在于训练数据的质量。当前的评测基准已经发展到了极其困难的程度——例如，在 BrowseComp-en 基准测试中，超过一半的问题连人类标注者都无法在两小时内解决。虽然这样的难题在典型用例中很少见，但构建高质量、困难的问答对对于开发能够实现超人性能的信息搜索 Agent 至关重要。

目前的常见方法都有局限性，可能带来不自然的查询表达和有限的合成灵活性。

创新解决方案：WebExplorer 的探索-演化框架

第一阶段：模型驱动的探索

WebExplorer 提出了一个新颖的两阶段方法来解决这些限制。第一阶段是模型驱动的探索 (Model-Based Exploration)，让模型更自主灵活地探索信息空间。

图 1：WebExplorer 核心框架示意图。从种子实体出发，LLM 通过「搜索-浏览」迭代探索生成初始 QA（Q0）；再通过「移除信息、模糊细节」等操作，逐步进化出更具挑战性的 QA（Q1 到 Qn），最终得到需要多步推理的训练数据。

具体来说，从一个种子实体开始，系统利用强大的 LLM，通过迭代搜索和浏览操作来模拟图构建过程。这种方法能够灵活、动态地探索与种子实体相关的信息空间。基于这个初始的信息空间，模型再来构建初步问答对。

第二阶段：从长到短的查询演化

对于模型而言，初步问答对仍然相对简单。于是 WebExplorer 引入了第二阶段的迭代查询演化 (Iterative Query Evolution) 过程。

这一阶段的工作思路为：WebExplorer 系统地移除明确线索和引入战略性模糊，来提高查询难度。这种方法采用"从长到短"的演化策略，通过以下三个战略方向改进查询：

移除显著信息：去掉过于明显的提示
引入战略性模糊化：对日期、地点和专有名词等具体细节进行模糊处理
寻找替代描述：用模糊的描述符替换原始的明确引用

例如，一个初始查询可能包含「这位球员 44 岁时去世」这样的明确信息，经过演化后变成模糊的描述如「这位球员于中年去世」，需要更多探索性搜索尝试才能到达正确答案。演化过程，也将解决问题所调用的工具次数从 7.9 增加到 9.9。

图 2：工具调用次数分布比较。左图显示初始问答对 vs 演化问答对，右图显示演化问答对 vs BrowseComp-en。演化过程显著增加了解决问题所需的工具调用次数，表明查询变得更加困难。

通过这个探索-演化过程，研究者构建了 WebExplorer-QA 数据集，包含大约 4 万个演化后的最终问答对。为了验证数据质量，他们使用 Claude-4-Sonnet 模型进行了全面的比较分析。

结果显示，演化过程的效果显著：准确率从 86.6% 大幅下降到 67.1%，而解决问题的平均工具调用次数从 7.9 次显著增加到 9.9 次。这表明演化过程成功创建了需要广泛多步推理和探索的复杂查询。

研究者使用得到的 WebExplorer-QA，使用 SFT 与 RL 两段式的经典训练法，模型出 8B 大小的 WebExplorer-8B。该模型在多个信息搜索基准测试中取得了同等规模下的最先进性能。

实验结果：小模型的大成就

WebExplorer-8B 基于 Qwen3-8B 模型训练，实现了支持 128K 上下文长度和 100 次工具调用的长视野推理，在多个基准测试中，达到了同等规模模型的最优成绩。

更令人惊讶的是，尽管只有 8B 参数，WebExplorer-8B 在多个基准测试中持续超越了更大的开源模型。作为一个 8B 规模的模型，WebExplorer-8B 在强化学习训练后能够平均高效搜索 16 轮，在 BrowseComp-en/zh 上实现了比 WebSailor-72B 更高的准确率，并在 WebWalkerQA 和 FRAMES 数据集上取得了高达 100B 参数模型中的最佳性能。

图 3：WebExplorer-8B 在 BrowseComp-en、BrowseComp-zh 和 HLE 基准测试中的性能比较。尽管参数规模较小，但在多个测试中都取得了最佳性能。

值得注意的是，尽管 WebExplorer 的问答对合成方法受到 BrowseComp-en 的启发，但该模型在不同基准测试和领域中都表现出了有效的泛化能力。更令人印象深刻的是，尽管训练数据并非专注于 STEM 领域，该模型在学术前沿基准 HLE 上取得了 17.3% 的成绩，超越了之前的 32B 模型，进一步验证了这种方法的稳健性和可转移性。

WebExplorer 为训练高级网络 Agent 提供了一条实用的路径。证明了通过精心设计的数据合成方法和训练策略，较小的模型可以在复杂任务上超越更大的模型。这种参数效率对于 AI 技术的实际应用和部署具有重要意义，特别是在资源受限的环境中。

WebExplorer 方法的成功还表明，对于复杂的推理任务，数据质量可能比模型规模更为重要。通过系统地构建需要多步推理的挑战性问答对，研究者能够训练出在长视野任务中表现卓越的 Agent。

论文地址：https://arxiv.org/abs/2509.06501

Github：https://github.com/hkust-nlp/WebExplorer