Heim
Forschungsteam beendet mit SFT das Monopol der Tech-Giganten; OpenSeeker-v2 führt die Rangliste der Suchagenten an
In der sich ständig weiterentwickelnden Landschaft der großen Sprachmodelle (LLMs) sind Deep-Search-Fähigkeiten zum entscheidenden Vorteil für fortschrittliche intelligente Agenten geworden. Doch dieser Bereich wird seit langem von finanzstarken Branchenriesen beherrscht. Herkömmliche Entwicklungsansätze stützen sich in der Regel auf ressourcenintensive Pipelines, die Vortraining, fortgesetztes Vortraining (CPT), überwachtes Feintuning (SFT) und bestärkendes Lernen (RL) umfassen.
Ein Team aus akademischen Forschern hat kürzlich seine neueste Arbeit, OpenSeeker-v2, vorgestellt, die diese etablierte Sichtweise grundlegend in Frage stellt. Laut ihrem Bericht ermöglicht das Training anhand hochwertiger, hochkomplexer Aufgabenabläufe, dass selbst ein einfacher Ansatz des überwachten Feinabgleichs (SFT) einen Suchagenten der Spitzenklasse hervorbringt.

Das Team skizzierte drei zentrale Optimierungsstrategien für die Datensynthese: erstens die Erweiterung des Wissensgraphen, um einen breiteren Erkundungsraum zu schaffen; zweitens die erhebliche Erweiterung des Werkzeugrepertoires, um funktionale Grenzen zu verschieben; und schließlich die Anwendung einer strengen Low-Step-Filterung, um die Qualität und Effizienz der Trainingsdaten zu gewährleisten.
Die experimentellen Ergebnisse zeigen, dass OpenSeeker-v2 (mit 30 Milliarden Parametern und einer ReAct-Architektur), das auf lediglich 10.600 Datenpunkten trainiert wurde, bei vier zentralen Benchmarks eine überragende Leistung zeigte: Es erzielte 46,0 % bei BrowseComp, 58,1 % bei BrowseComp-ZH, 34,6 % bei „Humanity’s Last Exam“ und 78,0 % bei xbench. Diese Zahlen stellen nicht nur neue Rekorde auf, sondern übertreffen auch umfassend Branchenmodelle, die auf aufwendigen Pipelines basieren, welche CPT, SFT und RL kombinieren – wie beispielsweise Tongyi DeepResearch.

Bemerkenswert ist, dass dies der erste State-of-the-Art-Suchagent (SOTA) ist, der von einem rein akademischen Team ausschließlich unter Verwendung von SFT bei gleicher Modellgröße und Architektur entwickelt wurde. Das Team hat nun die Modellgewichte für OpenSeeker-v2 als Open Source veröffentlicht. Dieser Durchbruch senkt die Forschungs- und Entwicklungshürden für fortschrittliche Suchagenten erheblich und bietet sowohl der akademischen als auch der Open-Source-Community einen leichter zugänglichen, ressourcenschonenden Entwicklungsweg.
Artikel: https://arxiv.org/pdf/2605.04036
Verwandter Artikel
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
In der sich ständig weiterentwickelnden Landschaft der großen Sprachmodelle (LLMs) sind Deep-Search-Fähigkeiten zum entscheidenden Vorteil für fortschrittliche intelligente Agenten geworden. Doch dieser Bereich wird seit langem von finanzstarken Branchenriesen beherrscht. Herkömmliche Entwicklungsansätze stützen sich in der Regel auf ressourcenintensive Pipelines, die Vortraining, fortgesetztes Vortraining (CPT), überwachtes Feintuning (SFT) und bestärkendes Lernen (RL) umfassen.
Ein Team aus akademischen Forschern hat kürzlich seine neueste Arbeit, OpenSeeker-v2, vorgestellt, die diese etablierte Sichtweise grundlegend in Frage stellt. Laut ihrem Bericht ermöglicht das Training anhand hochwertiger, hochkomplexer Aufgabenabläufe, dass selbst ein einfacher Ansatz des überwachten Feinabgleichs (SFT) einen Suchagenten der Spitzenklasse hervorbringt.

Das Team skizzierte drei zentrale Optimierungsstrategien für die Datensynthese: erstens die Erweiterung des Wissensgraphen, um einen breiteren Erkundungsraum zu schaffen; zweitens die erhebliche Erweiterung des Werkzeugrepertoires, um funktionale Grenzen zu verschieben; und schließlich die Anwendung einer strengen Low-Step-Filterung, um die Qualität und Effizienz der Trainingsdaten zu gewährleisten.
Die experimentellen Ergebnisse zeigen, dass OpenSeeker-v2 (mit 30 Milliarden Parametern und einer ReAct-Architektur), das auf lediglich 10.600 Datenpunkten trainiert wurde, bei vier zentralen Benchmarks eine überragende Leistung zeigte: Es erzielte 46,0 % bei BrowseComp, 58,1 % bei BrowseComp-ZH, 34,6 % bei „Humanity’s Last Exam“ und 78,0 % bei xbench. Diese Zahlen stellen nicht nur neue Rekorde auf, sondern übertreffen auch umfassend Branchenmodelle, die auf aufwendigen Pipelines basieren, welche CPT, SFT und RL kombinieren – wie beispielsweise Tongyi DeepResearch.

Bemerkenswert ist, dass dies der erste State-of-the-Art-Suchagent (SOTA) ist, der von einem rein akademischen Team ausschließlich unter Verwendung von SFT bei gleicher Modellgröße und Architektur entwickelt wurde. Das Team hat nun die Modellgewichte für OpenSeeker-v2 als Open Source veröffentlicht. Dieser Durchbruch senkt die Forschungs- und Entwicklungshürden für fortschrittliche Suchagenten erheblich und bietet sowohl der akademischen als auch der Open-Source-Community einen leichter zugänglichen, ressourcenschonenden Entwicklungsweg.
Artikel: https://arxiv.org/pdf/2605.04036
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des











