「边思考、边搜索、边写作」WebThinker开启AI搜索&研究新纪元！

主要观点总结

本文介绍了李晓熙在人大高瓴人工智能学院的研究工作，包括其论文“WebThinker: Empowering Large Reasoning Models with Deep Research Capability”。该论文描述了大型推理模型（如OpenAI-o1和DeepSeek-R1）在复杂知识密集型任务中的局限性，并介绍了WebThinker框架如何赋予推理模型深度研究能力，通过集成深度网页探索器和自主思考-搜索-写作策略，实现了在推理中自主搜索网络、导航网页及撰写报告的能力。实验结果表明，WebThinker在多个复杂推理基准和科学报告生成任务中展现出强大性能。

关键观点总结

关键观点1: 李晓熙的研究背景

李晓熙目前就读于中国人民大学高瓴人工智能学院，博士二年级，导师为窦志成教授。研究方向主要包括检索增强生成、大语言模型推理等。

关键观点2: WebThinker框架介绍

WebThinker是一个深度研究智能体，旨在赋予大型推理模型（LRM）深度研究能力。它通过集成深度网页探索器和自主思考-搜索-写作策略，使LRM能够在推理过程中自主搜索网络、导航网页，并撰写研究报告。

关键观点3: WebThinker的研究动机

大型推理模型如OpenAI-o1和DeepSeek-R1在数学、编程和科学等领域展现了卓越的推理能力，但在需要广泛获取实时网络信息的复杂任务中往往力不从心。特别是在需要深度网络信息检索和生成全面、准确的科学报告时，这一局限性尤为明显。

关键观点4: WebThinker的主要特点

WebThinker突破了传统检索增强生成（RAG）技术的限制，实现了在连续深思考过程中自主调用工具，无需遵循预设的工作流程，从而实现真正的端到端任务执行。它包含问题解决模式和报告生成模式两种主要运行模式。

关键观点5: WebThinker的实验结果

WebThinker在多个复杂推理基准和科学报告生成任务中取得了显著成果，通过深度网页探索器，能够更全面地获取和整合网络信息。特别是经过强化学习训练的WebThinker-32B-RL版本，在同等参数量模型中达到了最佳表现。