Lar
Equipe acadêmica acaba com o monopólio das gigantes da tecnologia com o SFT; OpenSeeker-v2 lidera o ranking de agentes de busca
No cenário em constante evolução dos grandes modelos de linguagem (LLMs), os recursos de pesquisa profunda tornaram-se a vantagem decisiva para agentes inteligentes avançados. No entanto, esse campo tem sido controlado há muito tempo por gigantes do setor com recursos financeiros consideráveis. As abordagens convencionais de desenvolvimento geralmente dependem de fluxos de trabalho que exigem muitos recursos e abrangem pré-treinamento, pré-treinamento contínuo (CPT), ajuste fino supervisionado (SFT) e aprendizado por reforço (RL).
Uma equipe de pesquisadores acadêmicos divulgou recentemente seu trabalho mais recente, o OpenSeeker-v2, que desafia fundamentalmente essa visão estabelecida. De acordo com o relatório, o treinamento em trajetórias de tarefas de alta qualidade e alta dificuldade permite que até mesmo uma abordagem simples de ajuste fino supervisionado (SFT) produza um agente de busca de primeira linha.

A equipe delineou três estratégias-chave de otimização para a síntese de dados: primeiro, ampliar o grafo de conhecimento para criar um espaço de exploração mais amplo; segundo, expandir substancialmente o repertório de ferramentas para ultrapassar os limites funcionais; e, finalmente, aplicar uma filtragem rigorosa de baixos passos para garantir a qualidade e a eficiência dos dados de treinamento.
Os resultados experimentais revelam que o OpenSeeker-v2 (com 30 bilhões de parâmetros e uma arquitetura ReAct), treinado com apenas 10.600 pontos de dados, apresentou desempenho impressionante em quatro benchmarks principais: obteve 46,0% no BrowseComp, 58,1% no BrowseComp-ZH, 34,6% no “Humanity’s Last Exam” e 78,0% no xbench. Esses números não apenas estabeleceram novos recordes, mas também superaram amplamente os modelos do setor que dependiam de pipelines pesados combinando CPT, SFT e RL — como o Tongyi DeepResearch.

Notavelmente, isso marca o primeiro agente de busca de última geração (SOTA) desenvolvido por uma equipe inteiramente acadêmica utilizando apenas SFT, na mesma escala e arquitetura de modelo. A equipe disponibilizou agora em código aberto os pesos do modelo para o OpenSeeker-v2. Esse avanço reduz significativamente as barreiras de P&D para agentes de busca avançados e oferece um caminho de desenvolvimento mais acessível e leve tanto para a comunidade acadêmica quanto para a comunidade de código aberto.
Artigo: https://arxiv.org/pdf/2605.04036
Artigo relacionado
Ações dos EUA Atingem Marco Histórico Enquanto Gigantes de IA e Aeroespacial se Preparam para Estreia de Trilião de Dólares
Elon Musk, Sam Altman e Dario Amodei, três titãs do setor de tecnologia, estão avançando rumo a ofertas públicas iniciais (IPOs) para suas respectivas empresas. Com a SpaceX, a OpenAI e a Anthropic — três gigantes da indústria que se aproximam de ava
Startup sueca de IA Lovable Eyes tem avaliação de US$ 13,2 bilhões após rodada principal de investimentos
À medida que as ferramentas de codificação impulsionadas por IA ganham tração, a startup sueca Lovable garantiu uma grande rodada de financiamento. A empresa visa captar US$ 3 bilhões, o que poderia elevar sua avaliação para US$ 13,2 bilhões — o dobr
O Google testa o Agente Remy AI para o Gemini, à medida que o foco se desloca para o controle do usuário
De acordo com o Business Insider, o Google está testando o Remy, um novo agente pessoal de IA para o Gemini. Esta ferramenta tem como objetivo executar tarefas em nome dos usuários, simplificando tanto os fluxos de trabalho profissionais quanto as ro
Recomendações de tópicos especiais relacionados
Comentários (0)
No cenário em constante evolução dos grandes modelos de linguagem (LLMs), os recursos de pesquisa profunda tornaram-se a vantagem decisiva para agentes inteligentes avançados. No entanto, esse campo tem sido controlado há muito tempo por gigantes do setor com recursos financeiros consideráveis. As abordagens convencionais de desenvolvimento geralmente dependem de fluxos de trabalho que exigem muitos recursos e abrangem pré-treinamento, pré-treinamento contínuo (CPT), ajuste fino supervisionado (SFT) e aprendizado por reforço (RL).
Uma equipe de pesquisadores acadêmicos divulgou recentemente seu trabalho mais recente, o OpenSeeker-v2, que desafia fundamentalmente essa visão estabelecida. De acordo com o relatório, o treinamento em trajetórias de tarefas de alta qualidade e alta dificuldade permite que até mesmo uma abordagem simples de ajuste fino supervisionado (SFT) produza um agente de busca de primeira linha.

A equipe delineou três estratégias-chave de otimização para a síntese de dados: primeiro, ampliar o grafo de conhecimento para criar um espaço de exploração mais amplo; segundo, expandir substancialmente o repertório de ferramentas para ultrapassar os limites funcionais; e, finalmente, aplicar uma filtragem rigorosa de baixos passos para garantir a qualidade e a eficiência dos dados de treinamento.
Os resultados experimentais revelam que o OpenSeeker-v2 (com 30 bilhões de parâmetros e uma arquitetura ReAct), treinado com apenas 10.600 pontos de dados, apresentou desempenho impressionante em quatro benchmarks principais: obteve 46,0% no BrowseComp, 58,1% no BrowseComp-ZH, 34,6% no “Humanity’s Last Exam” e 78,0% no xbench. Esses números não apenas estabeleceram novos recordes, mas também superaram amplamente os modelos do setor que dependiam de pipelines pesados combinando CPT, SFT e RL — como o Tongyi DeepResearch.

Notavelmente, isso marca o primeiro agente de busca de última geração (SOTA) desenvolvido por uma equipe inteiramente acadêmica utilizando apenas SFT, na mesma escala e arquitetura de modelo. A equipe disponibilizou agora em código aberto os pesos do modelo para o OpenSeeker-v2. Esse avanço reduz significativamente as barreiras de P&D para agentes de busca avançados e oferece um caminho de desenvolvimento mais acessível e leve tanto para a comunidade acadêmica quanto para a comunidade de código aberto.
Artigo: https://arxiv.org/pdf/2605.04036
Ações dos EUA Atingem Marco Histórico Enquanto Gigantes de IA e Aeroespacial se Preparam para Estreia de Trilião de Dólares
Elon Musk, Sam Altman e Dario Amodei, três titãs do setor de tecnologia, estão avançando rumo a ofertas públicas iniciais (IPOs) para suas respectivas empresas. Com a SpaceX, a OpenAI e a Anthropic — três gigantes da indústria que se aproximam de ava
Startup sueca de IA Lovable Eyes tem avaliação de US$ 13,2 bilhões após rodada principal de investimentos
À medida que as ferramentas de codificação impulsionadas por IA ganham tração, a startup sueca Lovable garantiu uma grande rodada de financiamento. A empresa visa captar US$ 3 bilhões, o que poderia elevar sua avaliação para US$ 13,2 bilhões — o dobr











