Tongyi DeepResearch ist offiziell Open Source. Als Web-Agent für die Abfrage und Argumentation langer Links nähert es sich bei denselben Aufgaben OpenAI Deep Research an. Offiziell erreichte es 32,9 Punkte bei Humanity's Last Exam, 45,3 bei BrowseComp und 75,0 bei xbench-DeepSearch. Die komplette Methodik und reproduzierbare Pipeline sind als Open Source verfügbar, was Content-Teams aus den Bereichen Forschung und Entwicklung, Medien und E-Commerce zugutekommt. Tongyi DeepResearch legt Wert auf durchgängige Reproduzierbarkeit. Durch die Kombination von synthetischen Daten, kontinuierlichem Vortraining, überwachter Feinabstimmung und bestärkendem Lernen mit such- und toolbasierten Strategien erzielt der Web-Agent stabile Ergebnisse bei komplexen Aufgaben zur Informationssammlung und Argumentation und reduziert so den Aufwand für die Teams bei der Sekundärentwicklung.
2. Leistungsbenchmarking und Indikatorinterpretation
Im menschlichen Abschlusstest, beim Browsing-Abruf und in der benutzerorientierten Bewertung erreichte Tongyi DeepResearch 32,9, 45,3 bzw. 75,0 Punkte und demonstrierte damit seine vergleichbare Leistung bei der tiefen Informationssuche und beim Beweis-Spleißen, wodurch es sich für Szenarien eignet, die langfristiges Denken und mehrseitige Kreuzvalidierung erfordern.
(1) Kleine Aktivierung, großes Modell
Das Design mit einer Gesamtparameteranzahl von 30 Milliarden und Aktivierungen von etwa 3 Milliarden gleicht Denkfähigkeit und Kosten aus und kann effizient auf gängigen GPU-Clustern eingesetzt werden.
(2) Langfristige Strategie und Tool-Nutzung
Durch die Kombination von mehrstufiger Planung, Beweis-Backtracking und Web-Tool-Aufrufen kann der Web-Agent einen geschlossenen Kreislauf vom Abruf über den Vergleich bis zur Dokumentation bilden.
(3) Anpassung an chinesische und Branchenthemen
Die Aufrechterhaltung einer stabilen Leistung bei chinesischen und englischen Aufgaben sowie Fragen und Antworten aus dem Berufsfeld fördert die sprachübergreifende Inhaltsproduktion und professionelle Recherche.
II. Implementierungspfad und Teamvorteile
1. Typische Implementierungsmethode in drei Schritten
Der erste Schritt besteht darin, die Geschäftsziele und den Bewertungssatz festzulegen, der zweite Schritt besteht darin, den End-to-End-Prozess mit der Standardkonfiguration von Tongyi DeepResearch auszuführen und der dritte Schritt besteht darin, eine Verbindung zur eigenen Wissensdatenbank und Site-Whitelist herzustellen, um die Qualitäts- und Konformitätskalibrierung abzuschließen.
2. Vorteile für Geschäftsszenarien
Medien- und Forschungsteams nutzen es, um Themen zu sortieren und Fakten abzugleichen, E-Commerce und Marken verwenden es für die Konkurrenzforschung und die Aggregation von Beweisen aus mehreren Quellen und Entwickler binden es in den Workflow ein, um strukturierte Berichte mit Quellen und Argumentationsketten zu erstellen.
(1) Qualitätskontrolle
Kombinieren Sie Benchmark-Sets mit manueller Stichprobennahme, um Faktenkonsistenz, Quellenvielfalt und Rückverfolgbarkeit zu verfolgen.
(2) Kostenkontrolle
Reduzieren Sie die Kosten langer Sitzungen durch kleine Aktivierungen und Cache-Wiederverwendung und weisen Sie Schritte dynamisch entsprechend der Aufgabenkomplexität zu.
(3) Sicherheit und Compliance
Konfigurieren Sie Whitelists für Domänennamen, Protokollaufbewahrung und Audits sensibler Wörter, um Datenminimierung und Rückverfolgbarkeit sicherzustellen.
a. Teamzusammenarbeit
Erstellen Sie ein System aus Eingabeaufforderungswortvorlagen und Beweisbibliothek-Tags, um durch Personalfluktuation verursachte Verzerrungen zu reduzieren.
b. Engineering-Integration
Stellen Sie eine Verbindung zu vorhandenen Pipelines mit API-Gateways und Warteschlangenratenbegrenzung her, die Graustufen und Rollback unterstützen.
c. Iterative Bewertung
Führen Sie kontinuierlich Benchmarks mit BrowseComp und xbench-DeepSearch durch, um die Vorteile von Strategie- und Suchaktualisierungen zu beobachten.
Häufig gestellte Fragen (Q&A)
F: Welche Beziehung besteht zwischen Tongyi DeepResearch und OpenAI Deep Research?
A: Tongyi DeepResearch ist ein Open-Source-Web-Agent, der bei mehreren Benchmarks vergleichbare Ergebnisse erzielt. Ziel ist es, Deep Search und Long-Term Reasoning-Funktionen in einer Open-Source-Lösung zu replizieren, um Unternehmen und Entwicklern die Implementierung zu erleichtern.
F: Welche Bedeutung haben die 30 Milliarden Gesamtparameter und etwa 3 Milliarden Aktivierungen von Tongyi DeepResearch?
A: Dieses Design reduziert die Inferenzkosten bei gleichzeitiger Beibehaltung der Reasoning-Funktionen. Es eignet sich für Produktionsumgebungen, die Long-Term Link Browsing und Multi-Evidence Stitching erfordern, und lässt sich leichter in großem Maßstab implementieren und planen.
F: Was bedeuten Benchmark-Ergebnisse wie Humanity's Last Exam 32,9, BrowseComp 45,3 und xbench-DeepSearch 75,0? A: Die Ergebnisse messen jeweils akademisches Denken, reale Web-Retrieval-Funktionen und benutzergesteuerte Deep Search-Funktionen. Höhere Ergebnisse weisen auf eine größere Zuverlässigkeit bei der komplexen Informationsüberprüfung, Browsing-Strategien und Beweisintegration hin. F: Wie integriert das Team Tongyi DeepResearch in bestehende Inhalte und F&E-Prozesse? A: Ein dreistufiger Ansatz: Erstellen Sie zunächst einen Satz zur Geschäftsbewertung und Qualitätsindikatoren, führen Sie ihn dann durch die Standardpipeline, um auf proprietäre Daten und Berechtigungskontrollen zuzugreifen. Verbinden Sie schließlich die Ausgabe mit den Genehmigungs-, Freigabe- und Archivierungssystemen, sodass ein geschlossener Kreislauf entsteht.
