阿里发布信息检索Agent，可自主上网查资料，GAIA基准超越GPT-4o

不圆 发自 凹非寺
量子位 | 公众号 QbitAI

Agent能“看懂网页”，像人类一样上网？

阿里发布WebDancer，就像它的名字一样，为“网络舞台”而生。

只要输入指令，它就可以帮你上网搜索、做攻略，实现自主信息检索代理和类似深度研究模型的推理。

传统模型只能按固定流程思考，而WebDancer作为一个端到端的自主信息搜索智能体，具备多步推理、工具使用和泛化能力。

WebDancer在GAIA和WebWalkerQA上分别取得了61.1%和54.6%的Pass@3分数，优于基线模型和部分开源框架。

模型和方法均已开源，网友直呼想试：

WebDancer的秘密武器

不同于其它的推理问答模型，WebDancer要像人类一样思考、理解并操作，可不是一件简单的事情。

使用GAIA、WebWalkerQA和日常使用情况对WebDancer进行演示，可以看到，WebDancer能够执行多步骤和复杂推理的长期任务，例如网页遍历、信息搜索和问答。

它的“秘密武器”是一种四阶段训练范式，包括浏览数据构建、轨迹采样、针对有效冷启动的监督微调以及用于改进泛化能力的强化学习。

阿里开源了这个训练框架，使除了WebDancer以外的智能代理也能够自主获取自主搜索和推理技能：

1、浏览数据构建

这一步的目标是创建覆盖真实的网页环境、需要多步交互的复杂QA对。

可以分为两个网络数据生成流程，如上图所示。

在CRAWLQA中，需要先收集知识性网站（ArXiv、GitHub、Wiki等）的主URL，然后在主页上系统地点击和收集通过子链接可访问的子页面，模拟人类行为。

使用预定义规则，就可以利用GPT4o根据收集到的信息生成QA对（1.0版）了。

对于E2HQA(Easy-to-Hard QA)来说，将初始的简单问题Q1通过实体检索→信息扩展→问题重构的步骤，使任务在复杂性上逐步扩展，从简单的实例到更具挑战性的实例。

依然是使用GPT-4o重写问题，直到迭代达到n，QA对足够成熟。

2、轨迹采样

这一步要从QA对中生成高质量的思维-动作-观察（Thought-Action-Observation）执行轨迹。

WebDancer的代理框架基于ReAct，这是语言代理最流行的方法，一个ReAct轨迹由多个思维-动作-观察轮次组成：

在思维阶段，模型会根据输入生成推理链，然后在动作阶段将参数为结构化JSON，最后在观察阶段返回结果（如网页摘要或搜索片段）。

思维阶段生成的思维链对智能体执行十分重要，WebDancer采用了双路径采样的方法，可分为短思维链和长思维链两条路径：

• 短思维链适用于单步骤任务，直接使用GPT-4o生成简洁轨迹；
• 长思维链适用于多步骤任务，使用专用推理模型（LRMs、QwQ-Plus）生成带长链推理的轨迹。

因为LRM、QwQ-Plus在训练过程中没有接触过多步推理输入，在进一步推理时，WebDancer排除了之前的思维，但它们作为有价值的监督信号保留在了生成的轨迹中。

随后，WebDancer采用了一个基于漏斗的三阶段轨迹过滤框架，仅保留满足以下三个标准的轨迹：信息非冗余、目标一致性以及逻辑推理准确性。

3、有监督微调

在获得ReAct格式的优质轨迹后，就可以将其无缝整合到智能体的有监督微调（Supervised Fine-Tuning，SFT）训练阶段，这个步骤可以教会模型基础的任务分解与工具调用能力，同时尽可能保留其原有的推理能力。

在SFT阶段，要先将轨迹转换为标记化输入，明确分隔符，然后计算Thought和Action部分的损失（忽略Observation噪声），损失公式如下：

其中tc

是任务上下文，

为完整的智能体执行轨迹，每个

代表思考/行动/观察，

过滤掉对应外部反馈的标记，确保损失是在代理的自主决策步骤上计算的。

SFT阶段为后续的RL阶段提供了强大的初始化。

4、强化学习

这一步的目标是优化代理在真实网络环境中的决策能力和泛化能力。

在SFT阶段的基础上，本阶段采用解耦裁剪动态采样策略优化算法（Decoupled Clip and Dynamic Sampling Policy Optimization，DAPO）来精调策略模型。

DAPO是一种基于奖励模型R的策略优化算法，其工作原理如下：

首先，对于每个包含部分答案

的阶段轨迹

，算法生成一组候选执行序列

。通过最大化以下目标更新策略：

随后，过采样并过滤准确率为1或0的提示（prompts），确保智能体聚焦于高质量信号的学习。

最后，采用新旧策略的概率比替代固定KL惩罚项：

奖励设计在RL训练过程中起着至关重要的作用，WebDancer的奖励机制主要由两种类型的奖励组成，分别为格式奖励和答案奖励，权重分别为0.1和0.9。

最终奖励函数为：

有效性分析

在GAIA和WebWalkerQA这两个成熟的基准数据集上测试WebDancer，结果显示，WebDancer在GAIA上达到46.6%的平均准确率，WebWalkerQA上达到43.2%，优于基线模型和部分开源智能体框架。

可以看到，不具备代理能力的框架（No Agency）在GAIA和WebWalkerQA基准测试中均表现不佳，这突出了主动信息搜索和代理决策对于这些任务的重要性。

闭源代理系统OpenAI DR通过端到端强化学习训练实现了最高分，在开源框架中，基于原生强推理模型（如QwQ-32B）构建的代理方法始终优于非代理对应方法，证明了在代理构建中利用推理专用模型的有效性。

在两个更具挑战性的数据集BrowseComp（英文）和BrowseComp-zh（中文）上测试WebDancer，均表现出持续强劲的性能，突显了其在处理困难推理和信息搜索任务中的鲁棒性和有效性。

鉴于智能体环境的动态性和复杂性，以及GAIA测试集相对较小且变化较大的特点，对Pass@3和Cons@3进行细粒度分析。

值得注意的是，经过RL后的Pass@1性能与SFT基线的Pass@3相当，表明RL能够更有效地采样正确响应。

对于语言推理模型（LRMs），虽然经过RL后Pass@1、Pass@3或Cons@3没有显著提升，但在一致性方面有明显的改善；这可能是过长轨迹导致的稀疏奖励信号所致。

参考链接：
https://x.com/_akhaliq/status/1937997314737553873
论文：https://arxiv.org/abs/2505.22648
github：https://github.com/Alibaba-NLP/WebAgent/tree/main/WebDancer
模型：https://huggingface.co/Alibaba-NLP/WebDancer-32B