深度研究智能体系统：基于稀疏激活架构的开源推理系统

DeepResearch Agent System 是一个总参数 300 亿、每次激活 30 亿参数的大型语言模型系统，支持 128K 上下文和 ReAct、IterResearch 双模式推理，通过多工具协调和 GRPO 强化学习优化，在多个基准上取得高分，并已开源。

该系统的发布标志着开源智能体系统在稀疏激活架构上的进展，相比同等规模密集模型推理速度提升 3.2 倍，长上下文准确率提升 18.7%，可能降低部署成本并提高效率，对研究类产品有直接参考价值。

系统采用稀疏激活（每 token 仅激活 30 亿参数）以减少计算量，结合层次注意力机制处理 128K 长上下文，双模式推理（ReAct 与 IterResearch）支持迭代研究，GRPO 算法优化策略，数据合成流水线扩充训练数据，多工具协调提升工具使用准确率。

产品团队可将该系统作为底层引擎，用于构建深度研究、报告生成、竞争情报等智能体功能；稀疏激活可降低推理成本，提速 3.2 倍，提升用户体验；开源代码可加速二次开发，但需评估其与现有技术栈的适配。

• 集成 DeepResearch 引擎，开发面向企业用户的长篇研究摘要生成工具，利用 128K 上下文处理完整文档。
• 基于其开源代码构建定制化智能体，用于自动化行业分析报告，减少人工研究时间。
• 将稀疏激活架构迁移到内部搜索产品，降低推理成本并提升响应速度，改善用户搜索体验。
• 结合 IterResearch 模式，开发多步逻辑推理类功能，用于复杂问题解答或决策辅助。

• 证据中提及的基准结果是否经过独立第三方验证？
• 稀疏激活架构在非英语或中文任务上的实际性能如何？
• 系统的开源许可证类型及商用限制是否明确？
• 数据合成流水线的具体方法是否可复现？