AgentCPM-Report：用于开放性深度研究的交叉化草稿与深化
人工智能
2026-02-09 v1 计算与语言
摘要
生成深层研究报告需要大规模信息获取和洞见驱动的分析，这是当前大型语言模型面临的重大挑战。大多数现有方法遵循 plan-then-write 范式，其性能高度依赖初始概述的质量。然而，构建全面概述本身需要强大的推理能力，导致当前深度研究系统几乎完全依赖封闭源或在线大型模型。这一依赖在实际部署中造成障碍，并引入了用户 authored 数据的安全和隐私问题。在本工作中，我们提出了 AgentCPM-Report，一个轻量且性能卓越的本地解决方案，由一个镜像人类书写过程的 framework 和一个 8B 参数的深度研究 agent 组成。我们的 framework 使用 Writing As Reasoning Policy（WARP），使模型能够在报告生成期间动态修订概述。在该策略下，agent 在 Evidence-Based Drafting 与 Reasoning-Driven Deepening 之间交替，联合支持信息获取、知识细化和迭代概述演化。为有效为小型模型提供此能力，我们引入了 Multi-Stage Agentic Training 策略，包括 cold-start、原子技能 RL 和整体管道 RL。在 DeepResearch Bench、DeepConsult 和 DeepResearch Gym 上的实验表明，AgentCPM-Report 在 Insight 方面超过了领先的封闭源系统，取得了显著的提升。
关键词
引用
@article{arxiv.2602.06540,
title = {AgentCPM-Report: Interleaving Drafting and Deepening for Open-Ended Deep Research},
author = {Yishan Li and Wentong Chen and Yukun Yan and Mingwei Li and Sen Mei and Xiaorong Wang and Kunpeng Liu and Xin Cong and Shuo Wang and Zhong Zhang and Yaxi Lu and Zhenghao Liu and Yankai Lin and Zhiyuan Liu and Maosong Sun},
journal= {arXiv preprint arXiv:2602.06540},
year = {2026}
}