月之暗面「调教」出最强Agent，在「人类最后一场考试」拿下最新 SOTA

主要观点总结

文章介绍了名为Kimi-Researcher的自主Agent，该Agent擅长多轮搜索和推理，通过端到端的智能体强化学习进行训练。它在多个基准测试中表现出色，包括xbench和DeepSearch等。文章还详细描述了Kimi-Researcher的研究方法、训练数据、强化学习训练、上下文管理、大规模智能体RL infra和智能体能力的涌现等。

关键观点总结

关键观点1: Kimi-Researcher的特点

Kimi-Researcher是一款基于Kimi k系列模型的自主Agent，通过端到端的智能体强化学习进行训练，擅长多轮搜索和推理，可以在多个基准测试中表现出色。

关键观点2: Kimi-Researcher的应用

Kimi-Researcher能进行学术研究、法律与政策分析、临床证据审查、企业财报分析等任务，可以实现对任意主题的深入、全面研究。

关键观点3: Kimi-Researcher的强化学习训练方法

Kimi-Researcher采用REINFORCE算法进行训练，采用多种策略提升训练过程的稳定性，包括基于当前策略的数据生成、负样本控制、格式奖励和正确性奖励等。

关键观点4: Kimi-Researcher的挑战

Kimi-Researcher面临动态环境、长程任务、数据稀缺和执行效率等挑战。研究团队通过设计具有挑战性的任务、策划整合推理任务、开发全自动数据生成与验证流程等方式解决这些问题。

关键观点5: Kimi-Researcher的能力涌现

在端到端强化学习过程中，研究者观察到Kimi–Researcher具备消除信息冲突、展现谨慎与严谨的行为模式等能力涌现。