Shreyas Singh Kunal Singh Pradeep Moturi

摘要

工具集成推理已成为推动智能体应用发展的关键方向。其中，DeepResearch智能体因其在复杂、开放性信息检索任务中表现出色而受到广泛关注。本文提出Fathom-DeepResearch，一个由两个专用模型构成的智能体系统。第一个模型是Fathom-Search-4B，它基于Qwen3-4B训练而成，专为基于证据的调查任务优化，支持实时网络搜索与定向网页查询。其训练融合了三项关键技术改进：（i）DUETQA，一个通过多智能体自对弈生成的5000样本数据集，强制要求严格的网络搜索依赖性与异构来源的锚定；（ii）RAPO，GRPO的零开销扩展，通过课程剪枝、奖励感知的优势缩放以及按提示词独立回放缓冲区，稳定了具有可验证奖励的多轮强化学习；（iii）一种可调控的逐步骤奖励机制，能够根据认知行为与边际效用对每个工具调用进行分类，从而实现对搜索轨迹广度、深度与时间跨度的显式控制。这些改进使得在必要时可可靠地将工具调用扩展至20次以上。第二个模型是Fathom-Synthesizer-4B，同样基于Qwen3-4B训练，负责将多轮DeepSearch的交互轨迹转化为结构化、引用密集的DeepResearch报告，实现全面的信息整合。在DeepSearch基准测试（SimpleQA、FRAMES、WebWalker、Seal0、MuSiQue）以及DeepResearch-Bench上的评估表明，该系统在开放权重类别中达到当前最优性能，并展现出对多样化推理任务（包括HLE、AIME-25、GPQA-Diamond和MedQA）的强大泛化能力。