随着大型语言模型(LLM)的快速发展，AI Agent的能力边界不断扩展。网络搜索Agent作为这一发展的重要组成部分，能够自主地从广泛的在线资源中检索信息。然而，现有的开源网络Agent在处理复杂搜索任务时表现有限，而更强大的商业模型又缺乏透明的训练细节。人工智能需要在多个网站间进行复杂的推理和搜索，这正是长视野(Long-Horizon)网络Agent面临的挑战。
近日，香港科技大学（HKUST）与AI公司MiniMax的联合团队，在arXiv上发表了一篇题为
《WebExplorer: Explore and Evolve for Training Long-Horizon Web Agents》的论文，直指Web Agent当前问题核心：不是模型参数不够多，而是缺乏足够有挑战性的训练数据。
研究者提出了一种构建高质量QA对的方法，将这些数据用于模型训练之后的结果表明，即使是较小的模型，也可以在复杂、长程的搜索任务上超越更大的模型。
核心挑战：优质训练数据的稀缺
近年来，随着大型语言模型(LLM)的快速发展，AIAgent的能力边界不断扩展。网络搜索Agent作为这一发展的重要组成部分，能够自主地从广泛的在线资源中检索信息。然而，现有的开源网络Agent在处理复杂搜索任务时表现有限，而更强大的商业模型又缺乏透明的训练细节。人工智能需要在多个网站间进行复杂的推理和搜索，这正是长视野(Long-Horizon)网络Agent面临的挑战。
WebExplorer论文的作者们发现，开发高能力网络Agent的根本挑战在于训练数据的质量。当前的评测基准已经发展到了极其困难的程度——例如，在BrowseComp-en基准测试中，超过一半的问题连人类标注者都无法在两小时内解决。虽然这样的难题在典型用例中很少见，但构建高质量、困难的问答对对于开发能够实现超人性能的信息搜索Agent至关重要。
目前的常见方法都有局限性，可能带来不自然的查询表达和有限的合成灵活性。
创新解决方案：WebExplorer的探索-演化框架
第一阶段：模型驱动的探索
WebExplorer提出了一个新颖的两阶段方法来解决这些限制。第一阶段是模型驱动的探索(Model-Based Exploration)，让模型更自主灵活地探索信息空间。
图1：WebExplorer核心框架示意图。从种子实体出发，LLM通过“搜索-浏览”迭代探索生成初始QA（Q0）；再通过“移除信息、模糊细节”等操作，逐步进化出更具挑战性的QA（Q1到Qn），最终得到需要多步推理的训练数据。
具体来说，从一个种子实体开始，系统利用强大的LLM，通过迭代搜索和浏览操作来模拟图构建过程。这种方法能够灵活、动态地探索与种子实体相关的信息空间。基于这个初始的信息空间，模型再来构建初步问答对。
第二阶段：从长到短的查询演化
对于模型而言，初步问答对仍然相对简单。于是WebExplorer引入了第二阶段的迭代查询演化(Iterative Query Evolution)过程。
这一阶段的工作思路为：WebExplorer系统地移除明确线索和引入战略性模糊，来提高查询难度。这种方法采用"从长到短"的演化策略，通过以下三个战略方向改进查询：
1.移除显著信息：去掉过于明显的提示
2.引入战略性模糊化：对日期、地点和专有名词等具体细节进行模糊处理
3.寻找替代描述：用模糊的描述符替换原始的明确引用
例如，一个初始查询可能包含“这位球员44岁时去世”这样的明确信息，经过演化后变成模糊的描述如“这位球员于中年去世”，需要更多探索性搜索尝试才能到达正确答案。演化过程，也将解决问题所调用的工具次数从7.9增加到9.9。
图2：工具调用次数分布比较。左图显示初始问答对vs演化问答对，右图显示演化问答对vs BrowseComp-en。演化过程显著增加了解决问题所需的工具调用次数，表明查询变得更加困难。
通过这个探索-演化过程，研究者构建了WebExplorer-QA数据集，包含大约4万个演化后的最终问答对。为了验证数据质量，他们使用Claude-4-Sonnet模型进行了全面的比较分析。
结果显示，演化过程的效果显著：准确率从86.6%大幅下降到67.1%，而解决问题的平均工具调用次数从7.9次显著增加到9.9次。这表明演化过程成功创建了需要广泛多步推理和探索的复杂查询。
研究者使用得到的WebExplorer-QA，使用SFT与RL两段式的经典训练法，模型出8B大小的WebExplorer-8B。该模型在多个信息搜索基准测试中取得了同等规模下的最先进性能。
实验结果：小模型的大成就
WebExplorer-8B基于Qwen3-8B模型训练，实现了支持128K上下文长度和100次工具调用的长视野推理，在多个基准测试中，达到了同等规模模型的最优成绩。
更令人惊讶的是，尽管只有8B参数，WebExplorer-8B在多个基准测试中持续超越了更大的开源模型。作为一个 8B 规模的模型，WebExplorer-8B 在强化学习训练后能够平均高效搜索 16 轮，在 BrowseComp-en/zh 上实现了比 WebSailor-72B 更高的准确率，并在 WebWalkerQA 和 FRAMES 数据集上取得了高达 100B 参数模型中的最佳性能。
图3：WebExplorer-8B在BrowseComp-en、BrowseComp-zh和HLE基准测试中的性能比较。尽管参数规模较小，但在多个测试中都取得了最佳性能。
值得注意的是，尽管WebExplorer的问答对合成方法受到BrowseComp-en的启发，但该模型在不同基准测试和领域中都表现出了有效的泛化能力。更令人印象深刻的是，尽管训练数据并非专注于STEM领域，该模型在学术前沿基准HLE上取得了17.3%的成绩，超越了之前的32B模型，进一步验证了这种方法的稳健性和可转移性。
WebExplorer为训练高级网络Agent提供了一条实用的路径。证明了通过精心设计的数据合成方法和训练策略，较小的模型可以在复杂任务上超越更大的模型。这种参数效率对于AI技术的实际应用和部署具有重要意义，特别是在资源受限的环境中。
WebExplorer方法的成功还表明，对于复杂的推理任务，数据质量可能比模型规模更为重要。通过系统地构建需要多步推理的挑战性问答对，研究者能够训练出在长视野任务中表现卓越的Agent。
论文地址：https://arxiv.org/abs/2509.06501
Github：https://github.com/hkust-nlp/WebExplorer
]]>