摘要

大型语言模型（LLMs）已演进为具备自主工具调用与多步推理能力的智能体系统，能够解决复杂问题。然而，基于通用基础模型的后训练方法在智能体任务中表现持续不佳，尤其在开源实现中更为明显。我们识别出问题的根本原因：缺乏稳健的智能体基础模型，导致模型在后训练阶段需同时学习多样化的智能体行为，并将其对齐于专家示范，从而引发根本性的优化冲突。为此，我们首次提出将智能体持续预训练（Agentic Continual Pre-training, Agentic CPT）引入深度研究智能体的训练流程，以构建强大的智能体基础模型。基于该方法，我们开发出一款深度研究智能体模型——AgentFounder。我们在10个基准测试上评估了AgentFounder-30B，取得了当前最优性能，同时保持了强大的工具使用能力，尤其在BrowseComp-en上达到39.9%，在BrowseComp-zh上达到43.3%，在HLE基准上的Pass@1指标达31.5%。