IterResearch，一种创新的代理范式

• 每个回合中动态地重建精简的工作空间，释放模型的全部推理潜力，确保每个决策都经过深思熟虑。利用 IterResearch，我们构建了一套融合推理、规划和工具使用的轨迹，从而增强了模型在应对长周期任务时的持续规划能力
  • 可扩展计算的通用方法最终会优于依赖复杂的、人工设计的知识和复杂设计的方法。

专门的重度模式

• 除了原生的 ReAct 模式外，我们还开发了“重度模式

在每一轮中，代理仅使用上一轮中最重要的输出来重建一个精简的工作空间。在这个专注的工作空间中，代理会分析问题，将关键发现整合成一个不断演变的核心报告，然后决定下一步行动——是收集更多信息还是提供最终答案

多个研究代理使用 IterResearch 流程并行探索同一个问题。最终的综合代理会整合这些代理的完善报告和结论，从而得出更全面的最终答案。这种并行结构使模型能够在有限的上下文窗口内考虑更广泛的研究路径，从而将其性能推向极限。

• 自动数据管理： 数据是提升模型能力的核心驱动力，其重要性甚至超越算法。数据的质量直接决定了模型通过自我探索推广到非分布场景的能力上限。为了应对这一挑战， 我们在训练动态的指导下实时优化数据。 这种优化是通过全自动数据合成和过滤流程实现的，该流程可以动态调整训练集。通过数据生成和模型训练之间的闭环，这种方法不仅确保了训练的稳定性，还带来了显著的性能提升。

ReSum

• 周期性上下文摘要

• ReSum 定期调用摘要工具来压缩历史记录，并从压缩 的摘要中恢复推理，从而实现无限探索。

• 一个对上下文太长问题的尝试

• 解决小模型摘要能力不强

  • 专门微调Qwen3-30B-A3B-Thinking（Team,2025b）来专门化摘要能力
  • 可以从冗长的交互中提取 关键线索和证据，识别信息差距，并突出下一步的方向

• 主要贡献

  • ReSum：一种用于长时程网络搜索的范式 我们确定了ReAct范式的基本上下文限制，并提出了ReSum，它定期将对话历史压缩成紧凑的摘要，使代理能够无限期地继续探索。ReSum最大限度地减少了对ReAct的修改，以避免额外的架构复杂性，确保与现有代理的即插即用兼容性。 • ReSumTool-30B：一种专门的摘要模型 为了实现面向目标的对话摘要，我们通过有针对性的训练开发了ReSumTool-30B，专门用于从冗长的交互中提取关键证据并识别关键信息差距。 • ReSum-GRPO：用于范式适应的强化学习我们设计了 ReSum-GRPO，通过分割长轨迹并在所有片段中广播轨迹级别的优势，使智能体熟悉基于摘要的推理。在三个具有挑战性的基准测试中，对网络智能体的实验表明，与 Re

• 压缩触发器

  • 触发压缩然后进行summary
  • 然后拿着summary进行新一轮对话

  ReSUM-GRPO

  • 轨迹可以分成k + 1段
    • 第一段没有经过摘要
    • 然后是k段从摘要开始到输出最终返回的轨迹
  • 只对最后一个output给reward 0或1 奖励很稀疏
  • LLM as judge llm来评判
  • 没有任何格式奖励
  • 只有格式惩罚，就是如果没有把输出放在标签内，直接reward = 0，隐式惩罚
  • 跟GRPO一样 组内广播reward
  • 只有最后一个片段的最后一个token有reward 然后广播