论文页面 - 通过持续预训练扩展智能体

来源：https://huggingface.co/papers/2509.13310
发布于 2025 年 9 月 16 日

#1 今日论文 (https://huggingface.co/papers/date/2025-09-17)
作者：

，
，
，
，
，
，
，
，
，
，
，

摘要

AgentFounder，一个结合了智能体持续预训练的深度研究智能体模型，在智能体任务中实现了最先进的性能，同时保持了强大的工具使用能力。

大型语言模型 (https://huggingface.co/papers?q=Large%20language%20models) (LLM) 已演变为能够在复杂问题求解中自主使用工具 (https://huggingface.co/papers?q=autonomous%20tool%20use) 并进行多步推理 (https://huggingface.co/papers?q=multi-step%20reasoning) 的智能体系统 (https://huggingface.co/papers?q=agentic%20systems) 。然而，基于通用基础模型的后训练方法 (https://huggingface.co/papers?q=post-training%20approaches) 在智能体任务中始终表现不佳，尤其是在开源实现中。我们找到了根本原因：缺乏强大的智能体基础模型，导致模型在后训练过程中必须同时学习多种智能体行为并将其与专家示范对齐，从而产生了根本性的优化矛盾。为此，我们首次提出将智能体持续预训练 (https://huggingface.co/papers?q=Agentic%20Continual%20Pre-training) (Agentic CPT) 纳入深度研究智能体 (https://huggingface.co/papers?q=deep%20research%20agents) 的训练流程，以构建强大的智能体基础模型。基于该方法，我们开发了一个名为 AgentFounder (https://huggingface.co/papers?q=AgentFounder) 的深度研究智能体模型。我们在 10 个基准上评估了我们的 AgentFounder (https://huggingface.co/papers?q=AgentFounder)-30B，取得了最先进的性能，同时保持了强大的工具使用能力，尤其在 BrowseComp-en (https://huggingface.co/papers?q=BrowseComp-en) 上达到 39.9%，在 BrowseComp-zh (https://huggingface.co/papers?q=BrowseComp-zh) 上达到 43.3%，在 HLE (https://huggingface.co/papers?q=HLE) 上达到 31.5% Pass@1。

查看 arXiv 页面 (https://arxiv.org/abs/2509.13310)
查看 PDF (https://arxiv.org/pdf/2509.13310)
项目页面 (https://tongyi-agent.github.io/blog/)
GitHub 19.1k (https://github.com/Alibaba-NLP/DeepResearch)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2509.13310)

在你的智能体中获取此论文：

hf papers read 2509\.13310

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2509.13310 即可从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2509.13310 即可从此页面链接。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2509.13310 即可从此页面链接。

包含此论文的收藏集 19

浏览包含此论文的 19 个收藏集 (https://huggingface.co/collections?paper=2509.13310)