32B 小模型逼近 GPT-5.2：S1-DeepResearch 如何用数据而非参数训练长程研究 Agent

BLUF：ScienceOne 团队开源了 S1-DeepResearch（论文 arXiv:2606.15367，模型 32B + 8B-Preview，Apache 2.0）。它最反直觉的一点是：一个 32B 的小模型，只靠监督微调（SFT）、完全不用强化学习，就在覆盖 5 大能力、20 个基准的评测里逼近 GPT-5.2、Claude-4.6、GLM-5 这些闭源旗舰，甚至在文本推理上追平了体量大 71 倍的 Qwen3.5-397B。它的核心不是模型架构，而是一套**「知识图谱出题 → Agent 跑轨迹 → 五维验证」的数据构造范式**，以及随之开源的 15K 高质量 Agent 轨迹数据集。这篇文章拆解它怎么做到的，并梳理业界对「深度研究 Agent」这条路线的最新反思。

---

一、深度研究 Agent 卡在哪？

过去一年，「Deep Research」从 OpenAI、Google 的产品名，变成了一整类 Agent 能力的统称：给一个复杂问题，让模型自己上网搜索、读文件、跑代码、反复推理，最后产出一份带引用的报告。这件事听起来简单，工程上却极难——因为它要求模型在**长程（long-horizon）、多跳（multi-hop）**的任务里持续保持状态、不跑偏、不幻觉。

而真正卡住开源社区的，不是模型不够大，而是训练数据的形态错了。S1 团队的判断很直接：现有的 Agent 训练数据过度集中在「搜索」这一个动作上（search-centric）。大量数据集本质是「多跳问答」——把答案藏深一点，逼模型多搜几次。但真实的研究工作远不止搜索：

• 你要读懂一个 PDF、一张表格、一段网页，而不只是检索关键词；
• 你要遵守复杂指令——“只用 2024 年后的一手资料""分三部分""每段不超过 200 字”；
• 你要写出有据可查的报告，每个论点都能追溯到引用；
• 你要调用技能——画图、跑数据分析、生成文件，而不是把代码塞在聊天框里。

只在「搜索」上训练出来的 Agent，benchmark 分数可能不低，但一碰真实任务就露馅。S1-DeepResearch 想解决的，正是这个**「能力维度太窄」**的根本问题。

---

二、S1-DeepResearch 是什么？

一句话：一个端到端的长程深度研究模型系统，把上面四类被忽视的能力和「搜索」一起，统一进了训练目标。

关键规格：

维度	参数
模型	S1-DeepResearch-32B（旗舰）+ 8B-Preview（轻量探索版）
基座	Qwen3
上下文	128K tokens
连续工具调用	150+ 轮
内置工具	9 类（网页搜索、学术搜索、网页浏览、图像/视频分析、文件解析、代码执行、命令行等）
许可证	Apache 2.0（模型 + 15K 轨迹数据集全开源）

它把深度研究拆成五个能力维度，并在每个维度上都构造了训练数据：

1. 长链复杂推理 —— 多文档检索、证据聚合、跨多轮维持状态记忆；
2. 研究指令遵循 —— 解析带多重约束的研究指令；
3. 研究报告写作 —— 产出有引用、可溯源的结构化报告；
4. 文件理解与生成 —— 处理 PDF、表格、网页并生成结构化产物；
5. 技能调用 —— 文献检索、数据分析、可视化等模块化能力。

“150+ 连续工具调用”是个值得停下来体会的数字：它意味着模型要在一条任务里做上百次「观察环境→决策→调工具→读反馈」的循环而不崩溃。这正是「长程」二字的含金量所在。

---

三、核心方法：用数据，而不是参数

S1 最大的贡献不在模型，而在怎么造出那 15K 条高质量轨迹。整套范式分三步。

第一步：知识图谱出题（Graph-Grounded Task Formulation）

不是让 LLM 凭空编题，而是让知识图谱来保证题目的复杂度可控、可验证。

• 种子实体从 Wikipedia 选取，经过拓扑结构、热度、信息密度、可搜索性、安全性五重过滤；
• 围绕每个实体，用 Wikidata 关系 + 网页搜索结果展开成一张有向无环图（DAG），并纳入多模态信息（文本实体、视觉概念）；
• 出题前先注入九个约束维度（信息来源、论证方式、推理路径、目标、假设、输出格式、规模、执行、上下文），界定探索边界；
• 对闭式问答，用「实体语义改写 + 条件泛化」反复重写题目，削弱问题和答案之间的直接关联，逼模型真去推理而非背答案；
• 最关键的过滤：先不给工具让模型裸答一遍（过滤掉靠参数记忆就能答的题），再用信息流、反馈依赖、宽度、深度四个指标度量推理图复杂度，只保留最难的前 30%。

这一步解决的是「题目质量」——垃圾进、垃圾出，数据范式的成败首先取决于题出得够不够硬。

第二步：Agent 跑轨迹（Agentic Trajectory Rollout）

有了题，让 Agent 在一个真实的 9 类工具环境里实际去解，记录下完整轨迹：

τ = (x, a₁, o₁, a₂, o₂, …, aₜ, oₜ, y)

其中 x 是任务，aₜ 是模型的动作，oₜ 是环境观测（网页、解析后的文件、代码执行结果），y 是最终回答。模型反复「观察→决策→调工具→收反馈」，自然产生长程多步行为。

然后做场景化精修，把轨迹改造成更真实的形态：报告类强化证据连贯性；文件类把文本输出转成可执行产物；多模态类插入原生视觉输入；技能类把内联代码转成文件附件。这一步让训练数据贴近真实研究产物，而不是干巴巴的问答对。

第三步：五维验证过滤（Multi-Dimensional Verification）

跑出来的轨迹大部分是噪声，必须严格过滤。S1 按五条能力轨道分别验证：

• 复杂推理：LLM-as-judge 对照参考答案校验逻辑正确性和中间推导；
• 报告生成：引用校验器检查正文引用是否真实对应参考、是否提供实质支撑；
• 指令遵循：九维约束检查器逐项核对；
• 文件任务：验证轨迹与可执行代码的一致性、与任务的语义对齐；
• 技能调用：追踪技能是否正确激活、是否有效、资源利用率如何。

三步走完，沉淀出 15,000 条横跨五大维度的高质量轨迹。

一个反直觉的设计：只用 SFT，不用 RL

值得专门点出：S1 的训练只有监督微调，没有强化学习。目标函数就是让模型同时模仿中间动作和最终回答：

ℒ = −Σ log p(aₜ | x, a<t, o<t) − log p(y | x, a≤T, o≤T)

在「人人都在卷 Agentic RL」的 2026 年，这是一个有点逆潮流的选择。它传递的信号是：当数据质量足够高、能力维度足够全时，SFT 本身就能把一个 32B 模型推到逼近旗舰的水平——参数效率来自数据,而非堆规模或堆 RL。这对算力有限的团队是个重要的方法论参考。

---

四、跑分：32B 追平百亿级旗舰

S1 在覆盖 5 大维度的 20 个 Agentic 基准上做了评测（含 GAIA、BrowseComp、BrowseComp-ZH、XBench-DeepSearch、HLE、DeepResearch Bench、ComplexBench、FileSys、GTA、SkillsUse 等）。论文报告的几组关键数字：

相对基座 Qwen3-32B 的提升（同样 32B，差距全来自训练数据）：

基准	Qwen3-32B	S1-DeepResearch-32B
GAIA（文本）	30.2	72.8
DeepResearch Bench	36.0	46.5
DeepResearchIF（查询准确率）	4.1	25.2
FileSys（文件系统任务）	44.7	69.3

GAIA 文本从 30 分翻到 72 分、指令遵循从 4 分跳到 25 分——这种量级的提升，纯粹来自数据，没有动模型架构。

相对闭源旗舰： 论文称整体性能接近 GPT-5.2、Claude-4.6、GLM-5——报告生成逼近 GPT-5.2（48.7 vs 51.4），文件任务达到 GLM-5 水平（尽管参数差 23 倍）。更具冲击力的是：在文本推理上，32B 的 S1 追平了体量大 71 倍的 Qwen3.5-397B。

⚠️ 需要客观看待：这 20 个基准是团队自己选定的能力维度，“逼近旗舰”是在这套评测口径下的结论；闭源模型在更开放的真实任务上仍可能有优势。但即便打个折扣，“32B + 纯 SFT 逼近百亿级旗舰”这个结论本身，已经足够说明数据范式的威力。

---

五、业界在思考什么？深度研究 Agent 的三条暗线

S1 不是孤例。把它放进 2026 年的大背景里看，会发现整个领域正沿三条暗线推进。

暗线一：竞争焦点从「模型」转向「轨迹数据怎么造」

S1 之外，同期还有一批工作在解同一个问题：

• Tongyi DeepResearch（通义，技术报告 arXiv:2510.24701）系统性地论证了合成轨迹数据对深度研究能力的决定性作用；
• OpenResearcher（arXiv:2603.20278）干脆开源了一整套「长程深度研究轨迹合成」的全流程管线；
• Marco DeepResearch（arXiv:2603.28376）则主打「以验证为中心」的设计来提升 Agent 效率。

共识正在形成：深度研究能力的瓶颈不在基座模型，而在能不能规模化地造出高质量、多维度、可验证的轨迹数据。S1 的三步范式，是这条路线上一个相当完整的样本。

暗线二：评测本身成了战场

当大家都宣称「逼近 GPT-5.2」，怎么评测就变得至关重要。2026 年涌现了一批专门修正评测口径的工作：

• BrowseComp-Plus（ACL 2026）用固定语料库把「检索器」和「Agent 推理」解耦，让对比公平、可复现——因为开放网络评测里，分数高可能只是因为它搜到了更好的页面，而非推理更强；
• DeepResearch Bench（arXiv:2506.11763）、DeepResearchEval（arXiv:2601.09688）则在构建更贴近真实研究任务的自动化评测框架。

这背后是一个尖锐的质疑：刷榜分数 ≠ 真实有用。

暗线三：对「自主性」的祛魅

最值得创业者和研究者警惕的是 arXiv:2512.01948 这篇《How Far Are We from Genuinely Useful Deep Research Agents?》提出的反思。它指出当前深度研究 Agent 普遍存在一个**「性能—效用鸿沟」（performance-utility gap）**：

1. 任务复杂度：真实研究是细腻、多面的问题，远超简单检索或事实核查；
2. 信息整合：Agent 擅长检索，但很难把分散来源综合成推进认知的连贯叙事；
3. 推理深度：缺乏迭代式假设检验和实质性分析推理的机制；
4. 用户对齐：系统倾向于优化「任务完成」，而非满足研究者真正的认知目标。

它的结论很冷静：当前 Agent 的「自主」宣称可能被高估了，人类的监督和迭代修正仍然不可或缺。——这是给所有「全自动研究 Agent」叙事的一盆冷水，也是 S1 这类工作下一步真正要跨越的鸿沟。

---

六、这对我们意味着什么？

把三条暗线收拢，S1-DeepResearch 的价值有三层：

1. 对开发者：它和 15K 数据集都是 Apache 2.0 开源的。如果你在做垂直领域的研究 Agent，这套「图谱出题→轨迹→验证」的范式比直接拿模型微调更值得借鉴——先把数据范式立住，再谈训练。
2. 对算力有限的团队：“32B + 纯 SFT 逼近旗舰”证明了一条不依赖海量算力和 RL 的可行路径。数据工程的杠杆，可能比想象中大得多。
3. 对整个行业：深度研究 Agent 正在从「能不能搜到」走向「能不能真正帮人推进认知」。前者已被基本解决，后者——按 arXiv:2512.01948 的判断——我们还在半路上。

S1 是这条半路上一块扎实的路标：它没有解决「自主性」的终极问题，但它把「怎么造数据」这件最脏最累、却最关键的活，做出了一个可复现的开源范本。

---

FAQ

Q：S1-DeepResearch 和 OpenAI Deep Research、通义 DeepResearch 有什么不同？ A：OpenAI Deep Research 是闭源产品；通义 DeepResearch 同样强调合成轨迹，但 S1 的差异化在于显式地把能力拆成五维（推理/指令/报告/文件/技能）并各自构造数据，且完全只用 SFT、不用 RL，模型和 15K 数据集全部 Apache 2.0 开源。

Q：为什么是 32B 而不是更大？ A：论文的核心论点恰恰是「参数效率来自高质量多维度轨迹数据，而非模型规模」。32B 在文本推理上追平 397B、在文件任务上达到 GLM-5 水平，就是为了证明这一点。另有 8B-Preview 供轻量探索。

Q：普通人现在能用吗？ A：模型在 HuggingFace（ScienceOne-AI/S1-DeepResearch-32B）可下载，代码在 GitHub（ScienceOne-AI/S1-DeepResearch），需自行部署带 9 类工具的沙箱环境，对工程能力有一定要求，暂非开箱即用的产品。

---

📌 原文与资源（请直接复制访问）： 论文 arXiv:2606.15367 —— https://arxiv.org/abs/2606.15367 GitHub —— https://github.com/ScienceOne-AI/S1-DeepResearch 模型 —— https://huggingface.co/ScienceOne-AI/S1-DeepResearch-32B 数据集 —— https://huggingface.co/datasets/ScienceOne-AI/S1-DeepResearch-15k

---

© 2026 Author: Mycelium Protocol. 本文采用 CC BY 4.0 授权——欢迎转载和引用，须注明作者姓名及原文链接，不得去除署名后以原创发布。

BLUF: The ScienceOne team open-sourced S1-DeepResearch (paper arXiv:2606.15367; 32B + 8B-Preview, Apache 2.0). Its most counterintuitive claim: a 32B model, trained with supervised fine-tuning only and no reinforcement learning, approaches closed-source flagships (GPT-5.2, Claude-4.6, GLM-5) across 20 benchmarks spanning five capability dimensions — even matching the 71× larger Qwen3.5-397B on textual reasoning. The secret isn’t architecture; it’s a graph-grounded trajectory construction paradigm — “knowledge graph poses tasks → agent rolls out trajectories → five-track verification filters” — plus the 15K high-quality agent trajectory dataset released with it. This piece breaks down how it works and where the industry’s thinking on deep research agents is heading.

---

1. Where Do Deep Research Agents Get Stuck?

Over the past year, “Deep Research” went from an OpenAI/Google product name to shorthand for an entire class of agent capability: hand the model a hard question, let it search the web, read files, run code, reason iteratively, and produce a cited report. Simple to state, brutally hard to build — it demands the model hold state across long-horizon, multi-hop tasks without drifting or hallucinating.

The S1 team’s diagnosis: the open-source bottleneck isn’t model size, it’s the shape of the training data. Existing agent datasets are overwhelmingly search-centric — essentially multi-hop QA that just buries the answer deeper. But real research is far more than search: reading a PDF or table, following multi-constraint instructions, writing traceable reports, invoking skills (plotting, data analysis, file generation). Agents trained only on “search” score fine on benchmarks but collapse on real tasks. S1-DeepResearch targets exactly this capability-dimension narrowness.

2. What Is S1-DeepResearch?

An end-to-end long-horizon deep research model system that folds those four neglected capabilities — alongside search — into a unified training objective.

Spec	Value
Model	S1-DeepResearch-32B (flagship) + 8B-Preview
Base	Qwen3
Context	128K tokens
Consecutive tool calls	150+ rounds
Built-in tools	9 categories (web/academic search, browsing, image/video analysis, file parsing, code execution, bash)
License	Apache 2.0 (model + 15K trajectory dataset)

Five capability dimensions: long-chain reasoning, research instruction following, report writing, file understanding/generation, and skill usage. The “150+ consecutive tool calls” figure is worth pausing on — it means the model runs hundreds of “observe → decide → call → read feedback” loops in a single task without breaking. That’s what “long-horizon” really costs.

3. The Core Method: Data, Not Scale

S1’s main contribution is how it builds those 15K trajectories — a three-stage paradigm.

Stage 1 — Graph-grounded task formulation. Rather than having an LLM invent questions, a knowledge graph controls difficulty and verifiability. Seed entities are filtered from Wikipedia (topology, popularity, info density, searchability, safety), expanded into a DAG via Wikidata relations and web search (with multimodal info), then nine constraint dimensions are injected before generation. Closed-form questions are rewritten to weaken the answer’s direct association, forcing reasoning over recall. Crucially, tasks are first answered without tools to filter out anything solvable from parametric memory — then only the top 30% most complex (by information flow, feedback dependency, width, depth) survive.

Stage 2 — Agentic trajectory rollout. The agent solves tasks in a real 9-tool environment, recording full trajectories τ = (x, a₁, o₁, …, aₜ, oₜ, y). Scenario-specific refinement reshapes outputs into realistic artifacts (coherent cited reports, executable files, native multimodal inputs, file attachments instead of inline code).

Stage 3 — Multi-dimensional verification. Five tracks filter noise: LLM-as-judge for reasoning, a citation verifier for reports, a nine-dimensional constraint checker for instruction following, code-consistency checks for file tasks, and skill-activation tracking. The result: 15,000 high-quality trajectories across five dimensions.

The counterintuitive choice: SFT only, no RL. The objective simply imitates both intermediate actions and final answers: ℒ = −Σ log p(aₜ | x, a<t, o<t) − log p(y | x, a≤T, o≤T). In a year where everyone is racing on agentic RL, the message is pointed: with high enough data quality across enough capability dimensions, SFT alone pushes a 32B model to flagship level — parameter efficiency comes from data, not scale or RL.

4. The Numbers: 32B Matching Giants

Across 20 agentic benchmarks (GAIA, BrowseComp/-ZH, XBench-DeepSearch, HLE, DeepResearch Bench, ComplexBench, FileSys, GTA, SkillsUse, etc.):

vs. base Qwen3-32B (same size — gap is all data):

Benchmark	Qwen3-32B	S1-DeepResearch-32B
GAIA (text)	30.2	72.8
DeepResearch Bench	36.0	46.5
DeepResearchIF (query acc.)	4.1	25.2
FileSys	44.7	69.3

vs. closed-source flagships: overall performance close to GPT-5.2, Claude-4.6, GLM-5 — report generation near GPT-5.2 (48.7 vs 51.4), file tasks at GLM-5 level (despite a 23× parameter gap), and textual reasoning matching the 71× larger Qwen3.5-397B.

⚠️ Read with care: these 20 benchmarks are the team’s own chosen dimensions; “approaching flagships” holds under that evaluation lens, and closed models may still lead on more open real-world tasks. Even discounted, “32B + pure SFT approaching giants” demonstrates the power of the data paradigm.

5. What Is the Industry Thinking? Three Undercurrents

Undercurrent 1 — competition shifts from “the model” to “how you build trajectories.” Tongyi DeepResearch (arXiv:2510.24701) argues synthetic trajectory data is decisive; OpenResearcher (arXiv:2603.20278) open-sourced a full long-horizon synthesis pipeline; Marco DeepResearch (arXiv:2603.28376) pushes verification-centric design. Emerging consensus: the bottleneck is scalable, high-quality, multi-dimensional, verifiable trajectory data, not the base model.

Undercurrent 2 — evaluation becomes the battleground. When everyone claims “approaching GPT-5.2,” how you measure matters. BrowseComp-Plus (ACL 2026) decouples retriever from agent reasoning via a fixed corpus for fair, reproducible comparison; DeepResearch Bench and DeepResearchEval build more realistic automated frameworks. The sharp question underneath: leaderboard scores ≠ genuine usefulness.

Undercurrent 3 — disenchantment with “autonomy.” The most sobering read is arXiv:2512.01948, How Far Are We from Genuinely Useful Deep Research Agents?, which names a performance-utility gap: agents handle retrieval but struggle to synthesize sources into knowledge-advancing narratives; they lack iterative hypothesis-testing; they optimize task completion over researchers’ real epistemic goals. Its verdict: current autonomy claims are likely overstated; human oversight remains essential. That’s the gap S1-class work must still cross.

6. What This Means

1. For developers: both model and 15K dataset are Apache 2.0. For vertical research agents, the “graph → trajectory → verification” paradigm is more worth borrowing than the weights themselves — get the data paradigm right first.
2. For compute-constrained teams: “32B + pure SFT approaching flagships” proves a path that doesn’t depend on massive compute or RL. The leverage of data engineering may be larger than assumed.
3. For the field: deep research is moving from “can it find it” (largely solved) to “can it genuinely advance human understanding” (per arXiv:2512.01948, still mid-journey).

S1 is a solid signpost on that journey: it doesn’t solve autonomy, but it turns the dirtiest, most essential work — how to build the data — into a reproducible open-source template.

FAQ

Q: How does it differ from OpenAI Deep Research or Tongyi DeepResearch? A: OpenAI’s is closed; Tongyi also stresses synthetic trajectories, but S1 explicitly decomposes capability into five dimensions with per-dimension data, uses SFT only (no RL), and open-sources everything under Apache 2.0.

Q: Why 32B, not bigger? A: The thesis is that parameter efficiency comes from high-quality multi-dimensional trajectory data, not scale. Matching 397B on reasoning and GLM-5 on file tasks is the proof. An 8B-Preview exists for lightweight exploration.

Q: Can I use it now? A: Model on HuggingFace (ScienceOne-AI/S1-DeepResearch-32B), code on GitHub (ScienceOne-AI/S1-DeepResearch). You must deploy a sandbox with the 9 tools yourself — it’s research-grade, not yet a turnkey product.

---

📌 Source & resources (copy to visit): Paper arXiv:2606.15367 — https://arxiv.org/abs/2606.15367 GitHub — https://github.com/ScienceOne-AI/S1-DeepResearch Model — https://huggingface.co/ScienceOne-AI/S1-DeepResearch-32B Dataset — https://huggingface.co/datasets/ScienceOne-AI/S1-DeepResearch-15k

---

© 2026 Author: Mycelium Protocol. Licensed under CC BY 4.0 — free to share and adapt with attribution. You must credit the author and link to the original; removing attribution and republishing as original is not permitted.