完全开源 30B 规模搜索智能体的训练数据 https://t.co/T3YsKzKGLe https://t.co/20GUqwJt43

PolarSeeker/OpenSeeker

来源：https://github.com/PolarSeeker/OpenSeeker

OpenSeeker：通过完全开源训练数据，推动前沿搜索智能体的普惠化

📰 动态

• 2026.05.06 📣 我们的 OpenSeeker-v2 仅通过简单的 SFT，在四项基准测试中于 30B 规模的基于 ReAct 的搜索智能体中取得了最先进的性能：BrowseComp 46.0%、BrowseComp-ZH 58.1%、Humanity’s Last Exam 34.6%、xbench 78.0%，甚至超越了采用 CPT+SFT+RL 重量级流程训练的通义 DeepResearch。代码即将开源！
• 2026.03.17 🚀 我们开源了 OpenSeeker-v1（包含全部数据与模型）。使用 11.7K 条训练样本，我们对 Qwen3-30B-A3B-Thinking-2507 进行了微调，在 BrowseComp-ZH 上达到 48.4%，BrowseComp 上达到 29.5%，xbench-DeepSearch 上达到 74.0%，WideSearch 上达到 59.4%。

概述

OpenSeeker 是一个开源搜索智能体系统，通过完全开源训练数据，让所有人都能获取前沿搜索能力。本项目支持研究人员和开发者构建、评估和部署用于复杂信息检索任务的高级搜索智能体。

🌟 核心成就

OpenSeeker 是纯学术团队的首个工作，在前沿搜索基准测试上达到最先进性能的同时，完整开源了全部训练数据。

快速开始

安装

克隆仓库并配置环境：

``bash

克隆仓库

git clone https://github.com/rui-ye/OpenSeeker.git cd OpenSeeker

创建 conda 环境

conda create –name openseeker python=3.10 conda activate openseeker pip install -r requirements.txt ``

模型配置

下载并部署 OpenSeeker 模型：

``bash

1. 安装 git-xet（下载模型所需）

brew install git-xet git xet install

2. 克隆 OpenSeeker 模型仓库

git clone https://huggingface.co/OpenSeeker/OpenSeeker-v1-30B-SFT

3. 在 run_openseeker.sh 中更新 MODEL_PATH，指向已下载的模型目录

编辑 run_openseeker.sh，设置 MODEL_PATH=“/path/to/OpenSeeker-v1-30B-SFT”

4. 启动模型服务

bash run_openseeker.sh ``

配置

``bash

在 setup_env.sh 中填写您的 API 端点和密钥

source setup_env.sh ``

使用方法

生成答案并评估结果：

``bash

为您的数据集生成答案

python eval/generate_answer.py
–dataset_path /path/to/your/dataset.jsonl
–out_dir /path/to/output/directory

评估生成的结果

python eval/eval.py
–data_path /path/to/output/directory/result_tool200.jsonl
–max_workers 20 ``

项目结构

OpenSeeker/ ├── eval/ # 评估脚本 │ ├── eval.py # 主评估脚本 │ ├── generate_answer.py # 答案生成脚本 │ └── prompt.py # 提示词模板 ├── src/ # 核心源代码 │ ├── llm_tool_openseeker.py # LLM 工具接口 │ ├── config/ # 配置文件 │ │ └── chat_template.jinja # 对话模板配置 │ └── tools/ # 工具实现 │ ├── search.py # 搜索工具 │ └── visit.py # 网页访问工具 ├── run_openseeker.sh # 模型服务启动脚本 ├── setup_env.sh # 环境变量模板 └── README.md # 本文件

📚 引用

如果您在研究中使用了 OpenSeeker，请考虑引用：

``bibtex @article{du2026openseeker, title={OpenSeeker: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data}, author={Du, Yuwen and Ye, Rui and Tang, Shuo and Zhu, Xinyu and Lu, Yijun and Cai, Yuzhu and Chen, Siheng}, journal={arXiv preprint arXiv:2603.15594}, year={2026} }

@article{du2026openseekerv2, title={OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories}, author={Du, Yuwen and Ye, Rui and Tang, Shuo and Huang, Keduan and Zhu, Xinyu and Cai, Yuzhu and Chen, Siheng}, journal={arXiv preprint arXiv:2605.04036}, year={2026} } ``

⭐ Star 历史