Résumé

Dépasser les limites cognitives humaines représente une frontière critique dans l'entraînement des grands modèles linguistiques (LLM). Des systèmes agents propriétaires tels que DeepResearch ont démontré des capacités supérieures à celles de l’humain sur des benchmarks extrêmement complexes d’exploration d’information, comme BrowseComp, une performance jusque-là inatteignable. Nous proposons que leur succès repose sur un schéma de raisonnement sophistiqué absent des modèles open-source : la capacité à réduire de manière systématique une incertitude extrême lors de la navigation dans des paysages informationnels vastes. À partir de cette observation, nous introduisons WebSailor, une méthodologie complète de post-entraînement conçue pour instiller cette capacité essentielle. Notre approche repose sur la génération de tâches nouvelles et à haute incertitude grâce à un échantillonnage structuré et une obscurcissement de l’information, un démarrage à froid par RFT (Reinforcement Fine-Tuning), ainsi qu’un algorithme d’apprentissage par renforcement agent efficace, nommé Duplicating Sampling Policy Optimization (DUPO). Grâce à cette chaîne intégrée, WebSailor surpasse significativement tous les agents open-source dans des tâches complexes d’acquisition d’information, atteignant des performances équivalentes à celles des agents propriétaires et réduisant ainsi le fossé de capacité.