Mind DeepResearch：三智能体框架用 30B 参数模型在深度研究任务上实现顶级结果

Mind DeepResearch 带来了什么？

Mind DeepResearch（MindDR） 是 2026 年 4 月 17 日在 arXiv 上以技术报告形式发布的新多智能体系统。它专注于 AI 中最具挑战性的类别之一——深度研究——并声称无需 GPT-4 或 Claude Opus 级别的前沿模型即可实现顶级结果。

深度研究是指 AI 系统独立完成复杂研究项目的任务：搜索网络、阅读来源、综合不同视角、评估可靠性，并生成分析师级别的报告。OpenAI Deep Research、Perplexity Deep Research、Gemini Deep Research——都依赖数千亿参数的模型。

MindDR 使用约 300 亿参数——Qwen2.5-32B 或 DeepSeek V3-small 级别——基础设施成本降低 10 倍。

三智能体架构

论文通过三个专业智能体描述了分工：

1. 规划智能体 — 接收用户查询，将任务分解为具体的研究子目标。核心问题：“我究竟需要了解什么，按什么顺序？”

2. 深度搜索智能体 — 执行实际研究。执行搜索、阅读来源、提取事实、批判性评估。这是”跑腿”在网络中遍历的智能体。

3. 报告智能体 — 综合。将收集的信息整合为结构化格式的最终报告，引用来源，平衡各方观点。

每个智能体专注于自己的工作部分——不同于单一模型同时完成所有工作的整体式方法。

四阶段训练流水线

没有规模，补偿必须来自数据和训练。MindDR 使用：

1. 数据合成阶段 — 使用更强模型生成合成深度研究任务和期望轨迹（知识蒸馏）
2. SFT 阶段 — 在合成数据上进行监督微调
3. 智能体专用强化学习阶段 — 对三个智能体分别进行强化学习
4. 整合阶段 — 在三个智能体协同工作的组合任务上进行微调

这种方法在后训练领域并不罕见，但数据合成 + 智能体专用强化学习 + 多阶段整合的组合，按作者所述是具体且可复现的。

为何重要？

两个原因：

1. 民主化访问。 30B 模型可以在价值数千欧元的硬件上自托管。GPT-4 级别需要 API 调用或大型 GPU 集群。如果 MindDR 真的能与 OpenAI Deep Research 竞争，对有数据隐私要求的行业（法律、金融、医疗）而言，本地部署深度研究的大门将被打开。

2. 架构 vs. 规模。 “更大模型 = 更好结果”的神话迎来了反例。多智能体设计中的专业化可以弥补规模差距——不是完全弥补，但对实际任务足够了。

需要验证什么？

与所有技术报告一样，需要独立验证：

• 可重现性 — 代码是否可获取，结果是否可重现？
• 基准覆盖范围 — 具体测试了哪些深度研究任务？作者使用了 BrowseComp 等，但覆盖范围有所不同
• 鲁棒性 — 网络来源无法访问时如何处理？来源之间存在分歧时怎么办？

目前，MindDR 是一个有希望的信号，表明深度研究可以变得更加普及——但需要时间和社区来评估它在真实环境中实际表现如何。