摘要：近日，阿里巴巴旗下统一实验室宣布开源“通义深度研究代理”（Tongyi DeepResearch Agent）。

中国AI技术的开源浪潮再次引发业界震动。

近日，阿里巴巴旗下统一实验室宣布开源“通义深度研究代理”（Tongyi DeepResearch Agent）。

它参数总量有 300 亿，可运行时只激活 30 亿参数，还在多个国际权威评测里成绩达到甚至超过 OpenAI 同类模型。

它的发布，让国产 AI 在智能体这块往前迈了一大步，也让大家重新思考AI 的效率和性能，到底咋平衡？

在技术圈，参数数量一直被当作衡量模型能力的重要指标，参数多说明模型 “脑子” 里能装的东西多，处理问题可能更厉害。

但这次，阿里另辟蹊径。

300 亿参数的模型，在如今 AI 技术大环境下，不算 “巨无霸”。

可神奇的是，仅激活 10% 左右参数。

通义深度研究代理在人类最终考试（HLE）中拿到 32.9 分，比 OpenAI 的 o3 模型还高。

BrowseComp 测试里，它得 43.4 分，和 o3 的 49.7 分相差不大。

FRAMES 基准测试中，更是以 90.6 分拔得头筹。

光看参数和规模，这些好成绩有点让人摸不着头脑。

不过，了解它的训练方法和架构逻辑后，就恍然大悟了。

统一实验室采用自动化训练方式，不用人工辛苦标注数据，搭建了一个类似维基百科知识的仿真环境，再靠动态数据管理引擎，实时调整训练难度。

训练时，模型就像在真实网络环境里 “自学成才”，自我学习、优化。

这种方法，人力成本省了不少，模型适应性和泛化能力还变强了，和传统依赖大量人工精细标注数据的训练方式截然不同。

有人可能担心，自动化训练会不会让模型质量打折扣？

但事实证明，这份担心多余了，它反倒成了模型性能稳定的关键。

阿里巴巴这次把通义深度研究代理完全开源，用的是 Apache 2.0 协议。

不管个人还是企业，都能免费下载、修改、部署这个模型，商业场景也能用。

开源内容超全面，模型权重、训练代码、数据处理工具啥都有，还同步上线到 HuggingFace、GitHub 和 ModelScope 这些平台。

开源在 AI 领域不算新鲜事，但像这样开放 300 亿参数级别，成绩还接近或超过国际领先模型的项目，那可太少见了。

Tongyi DeepResearch-30B-A3B核心参数

这一开源，AI 能力不再被少数企业捂着，更多开发者能轻松拿来用，成了大家都能掌握的基础工具。

开源也让 AI 技术更公平、更透明，开发者能基于原始模型，根据行业场景需求改进，推动 AI 和产业深度融合。

这款模型可不是 “实验室花瓶”，已经在实际场景大显身手。

高德地图的 AI 旅行助手 “小高”，背后就有通义深度研究代理助力。

用户用自然语言提出需求，它马上就能识别，接着搜索景点、筛选宠物友好型酒店，规划出完整行程。

法律研究领域，统一法瑞系统也部署了它。

它能完成判例法检索、法规交叉引用等任务，在法律案例引用准确率评测里，得分 64.26，高于 OpenAI 的 57.56 和 Anthropic Claude 的 40.43，达到初级法律从业者水平。

这些实际应用说明，模型不仅在标准测试里表现好，复杂真实场景中也能 “大展拳脚”。

当下大模型普遍有个难题，处理长文本时性能容易下滑。

通义深度研究代理的上下文窗口是 128,000 tokens，比 GPT-5 的 256,000 tokens 小。

不过，统一实验室靠双推理机制巧妙化解。

第一种 ReAct 模式，就像人做事，“思考 - 行动 - 观察” 循环往复，适合标准化研究任务。

第二种 IterResearch 范式，把复杂任务拆成多个回合，每个回合重新构建独立上下文空间，长任务里也能保持推理连贯，减少信息丢失。

这种机制关键不是扩大模型容量，是从设计层面提升推理效率，和只追求 “更大模型” 的思路大不一样。

统一实验室过去半年，不只推出这一个模型，WebWalker、WebSailor、WebShaper 等多款智能体陆续发布，每一款都针对特定推理环节优化。

这就好比工业生产里的 “模块化设计”，不同模块能灵活组装，适配多种任务。

通义深度研究代理的发布，是一次方向选择。

阿里巴巴用这个开源模型，给出一个新范式，AI 技术发展，不一定非得挤在封闭的 “独木桥” 上，一条更高效、更开放的路，或许能走得更远，让 AI 更好地为大众服务，创造更多可能。

来源：晓婷医生吖