Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Появился открытый комплект Glasseek, по которому можно воспроизвести агента глубокого поиска от подготовки данных до проверки результатов. Glasseeker-9B оказался лучшим среди открытых моделей своего масштаба почти на всех использованных наборах задач. Для продуктовой команды здесь ценнее не отдельный результат, а доступный целиком процесс разработки, хотя препринт не прошёл рецензирование и все числа в нём получили сами авторы.
Как из косвенных подсказок получают данные для обучения
Glasseek открывает код, данные, веса моделей, порядок обучения и среду оценки. Это позволяет проверить не только итоговую модель, но и происхождение траекторий — последовательностей поисковых запросов, переходов по страницам и промежуточных рассуждений, на которых она училась.
Сборка начинается с редкого объекта, который подтверждают надёжные источники: публикации, архивной записи, матча, эпизода или другого конкретного события. Для него сохраняют эталонный ответ и строят дерево ограничений. Каждая отдельная подсказка остаётся неоднозначной, но их сочетание должно указывать на один объект.
Часть ветвей дерева намеренно ведёт к правдоподобным, но слишком широким вариантам. Так агенту приходится не угадывать объект по легко индексируемому факту, а связывать несколько цепочек доказательств. Планировщик развивает только часть ветвей, поэтому вопросы не превращаются в равномерно разросшиеся деревья из однотипных подсказок.
Черновик проходит две проверки. Первая ищет другой объект, который тоже удовлетворяет условиям. Вторая заново решает задачу с доступом к поиску и принимает её, только если ответ совпадает с эталоном и подтверждается источниками. Если задачу удаётся решить коротким очевидным путём, лёгкие для поиска условия ослабляют или заменяют, после чего цикл повторяется.
Такой процесс полезен сам по себе: команда может проследить, откуда взялся вопрос, почему ответ считается однозначным и какая поисковая траектория стала обучающим примером. При закрытой синтетической выборке ошибки генератора обычно обнаруживаются уже после обучения модели.
Почему сжатие контекста нельзя отделить от обучения
Долгий поиск быстро заполняет контекст запросами, ответами сайтов и результатами инструментов. Glasseek следит за его длиной и при достижении порога сворачивает накопленную историю в краткое представление. Следующая часть поиска уже опирается на эту выжимку, а не на исходный журнал.
Обычное обучение с подкреплением плохо переносит такую границу. Модель выполнила действие в одном контексте, но при пересчёте вероятностей может увидеть другую версию истории. Кроме того, если независимо усреднять потери для каждого фрагмента, короткие фрагменты и часто сжатые траектории получают непропорционально большой вес.
Метод CM-GSPO сохраняет тот контекст, который модель действительно видела во время прогона, и делит выполнение на фрагменты между сжатиями. Вероятности пересчитываются отдельно внутри каждого фрагмента, а его вклад зависит от доли полезных токенов во всей траектории. В итоге каждый токен выполнения получает одинаковый внешний вес независимо от того, сколько раз сжималась история.
Одну и ту же модель используют для поиска и подготовки выжимки, но токены самой выжимки не входят в целевую функцию. Метод тем самым обучает поисковую стратегию, которая работает по обе стороны границы сжатия, не пытаясь одновременно поощрять стиль промежуточного пересказа.
Среда оценки закрывает другой источник искажений. Она блокирует запросы и адреса с названиями тестов, страницы наборов данных и репозитории, где могут лежать ответы. Код выполняется в изолированной среде, поэтому агент не может прочитать локальный эталонный файл. Эта защита касается внешней утечки через инструменты; она не определяет, запомнила ли базовая модель тестовые сведения во время прежнего обучения.
Что Glasseek меняет в планах продуктовой команды
Работа показывает, что для агента глубокого поиска размер модели — не единственный рычаг. Модели с 4 и 9 млрд параметров проверяли на BrowseComp, LiveBrowseComp, BrowseComp-ZH, xbench-DeepSearch-2510, SealQA и GAIA. Наборы охватывают обычный и меняющийся веб, китайский поиск, работу с шумными доказательствами и составные задачи с инструментами.
На BrowseComp старшая модель набрала 61,6% против 59,2% у Gemini-3-Pro. В разборе компонентов CM-GSPO улучшил результаты базового обучения на готовых примерах во всех проверенных задачах; наибольшая прибавка составила 15,8 процентного пункта на Seal-0. При этом более крупные открытые системы сохраняют лидерство на части тестов, поэтому Glasseek не доказывает преимущество компактной модели при любом сценарии.
Для команды, которая только выбирает архитектуру, практический вывод состоит в порядке инвестиций. Сначала стоит обеспечить проверяемое происхождение синтетических задач и воспроизводимую среду оценки, затем встроить реальное сжатие контекста в обучение и лишь после этого сравнивать размеры моделей. Иначе рост результата может происходить из-за найденного в интернете ответа или из-за режима обучения, которого не будет в рабочем агенте.
Если собственный агент уже работает, Glasseek удобнее рассматривать как набор заменяемых частей. Можно отдельно перенести построение вопросов, схему обучения через границы сжатия или фильтры утечки. Полная смена базовой модели для проверки этих идей не требуется, но заявленные результаты относятся именно к описанной связке данных, обучения и среды запуска.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
