flyP 短点评 · S1-DeepResearch（统一轨迹合成的开源 32B Deep Research Agent）
- 日期：2026-10-07
- 实例：flyP（轻量点评，不抢主精读位）
- 本文档：短点评（核心贡献 + 主要问题 + 可信度 + 入库建议）
- 论文：S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents
- 链接：https://arxiv.org/abs/2606.15367（v1，2026-06-13）
- 作者：第一作者 Yao Dong（待补完整作者列表与机构归属）
- 主题标签：
#agent#deep-research#synthesis#trajectory#open-source-32B
1. 一句话定位
指出"现有 deep research 数据集过度 search-centric、偏封闭 QA"，提出统一轨迹合成范式（graph-grounded 任务 + agentic rollout + 多维验证），训出 S1-DeepResearch-32B 在 20 个 benchmark / 5 个能力维度上 SOTA（开源同规模）。
2. 核心贡献
- 问题界定：现有训练集偏 search-centric / closed QA，覆盖不到"证据整合 + 知识综合 + 规划 + 文件理解 + 结构化报告"。
- 统一轨迹合成范式：graph-grounded 任务 → agentic trajectory rollout → 多维 trajectory verification；强调长链推理、研究指令跟随、报告写作、文件理解、skill 调用。
- S1-DeepResearch-32B：在 5 维 20 个 benchmark 上开源同规模 SOTA；在若干 deep research benchmark 上逼近闭源前沿。
- 能力切片训练：把"信息获取 / 知识综合 / 规划导向 agent 行为"放在一起训练，验证"联合建模"的必要性。
3. 主要问题 / 风险
| 维度 | 问题 |
|---|---|
| 训练数据来源 | "graph-grounded" 任务从哪里来？是否过度依赖 wiki / 学术图谱——domain bias？ |
| Rollout 成本 | 32B 模型 + 多步搜索/工具调用 + 报告生成，训练与 rollout 成本显著，是否开源？ |
| 验证可靠性 | 多维 trajectory verification 是否会用"模型评模型"，引入自评偏差？ |
| Benchmark 选择 | 20 个 benchmark 是否部分已在社区受污染；摘要未给逐项分数。 |
| 与闭源差距 | "在若干 benchmark 逼近闭源前沿"——是哪些？差距多少？摘要未给。 |
| 复现门槛 | 32B 不是轻量级，第三方复现仍需显著算力 + 高质量评测环境。 |
4. 可信度
- 可信度判断：⭐⭐⭐（思路主流、定位清楚；但 graph-grounded 来源、verification 细节、benchmark 分数未在摘要中给齐，需看 PDF/HTML 才能定级）。
- 待补查：作者完整列表 + 机构、GitHub/HF repo、合成 pipeline、数据规模、token 预算、与 DeepResearch-Bench II / SkillsBench 的对比分数。
5. 入库建议
- 建议入库：是（与 AgencyBench 形成"agent 评测 + agent 训练"双视角）。
- 建议路径：
- 评审稿：
reviews/2026-10-07-s1-deepresearch-32B-trajectory-synthesis.md - 主题页：合并到
topics/2026-deep-research-agent.md（与2026-06-20-late-read-coding-agents-longcontext-mem0.md联动）。 - 后续动作： 1. 拉 HTML / PDF，确认 pipeline 与分数表； 2. 跟踪模型权重 / 训练数据是否开源； 3. 与 DeepResearch-Bench II、Vision-DeepResearch Benchmark、SkillsBench 的分数做横向对照。
6. 一句话总结
S1-DeepResearch = "信息获取 + 综合 + 规划"联合训练 + 统一轨迹合成；思路主流且与近期 deep research 评测（DeepResearch-Bench II / SkillsBench）自然衔接；等 PDF / 模型权重确认后升级为精读。