8B
腾讯 IterSynth-8B 在五个深搜索集上平均 50.7，比 MiroThinker-8B 的 46.5 高 4.2。GAIA 55.3 低于对方 66.4。xBench-2510 表内比 Miro 的 34.0 高 12.0，正文另写 +5.4%。不更新参数时，Claude 上平均 66.1，高于 ReAct 的 60.6。
本文目录
8B 平均 50.7：腾讯把搜索拆成规划和综合
腾讯与浙江大学的 IterSynth（把深搜索拆成规划者和综合者来回交替），arXiv 2026 年 9 月 24 日 v1（2609.29444）。作者 Xingyu Wu（浙江大学、腾讯）、Yuchen Yan（浙江大学）、Zhengxi Lu（浙江大学）、Siqi Chen（浙江大学、腾讯）、Xin Zhang、Aiting Liu、Chao Deng、Jie Liu、Jin Ma（腾讯）、Jian Shao、Jun Xiao（浙江大学）、Yongliang Shen（这一行没有再标单位）。通讯邮箱含 wuxingyu、syl@zju.edu.cn 和 daniellwang@tencent.com。代码在 https://github.com/Tencent/IterSynth 。许可证是 CC BY 4.0。
深搜索要拆问题、查证、读材料、再写成有依据的答案。常见 ReAct 用同一个策略串起推理、搜索和综合，上下文越堆越吵。IterSynth 让 Planner 决定还缺什么，Synthesizer 把证据写进一份会更新的摘要，摘要才是搜索的持久状态。训练用 Role-Decoupled Policy Optimization（RDPO）：终点结果奖励加上每一轮的量表评分，再按角色各自算优势，而不是把两种角色的样本混在一个池里归一化。底座是 Qwen3-8B。监督微调大约 1 万条问答，再在由这个微调策略挑出的中等难度子集上做 RDPO。工具是搜索引擎和浏览器。强化学习 rollout 用缓存检索，评测用线上工具。
五集，小模型平均 50.7
五个长程集：BrowseComp、BrowseComp-ZH、GAIA（表头写的是 text-only）、Xbench-DeepSearch 的 2505 和 2510。平均是这五项的算术平均。大模型和部分 30B 行有缺测，它们的平均不是同一组五个数，不能和 50.7 直接比高低。
8B 及以下这一档：
| 方法 | BrowseComp | BrowseComp-ZH | GAIA | xBench-2505 | xBench-2510 | 平均 |
|---|---|---|---|---|---|---|
| OffSeeker-8B-DPO | 12.8 | 26.6 | 51.5 | 49.0 | – | 35.0 |
| WebExplorer-8B-RL | 15.7 | 32.0 | 50.0 | 53.7 | 23.0 | 34.9 |
| AgentCPM-Explore-4B | 24.1 | 29.1 | 63.9 | 70.0 | 34.0 | 44.2 |
| MiroThinker-v1.0-8B | 31.1 | 40.2 | 66.4 | 60.6 | 34.0 | 46.5 |
| IterSynth-8B | 30.9 | 55.4 | 55.3 | 66.0 | 46.0 | 50.7 |
平均 50.7，比这一档此前最高的 MiroThinker-v1.0-8B 的 46.5 高 4.2。正文写成 +4.2%。不是五项都最高。BrowseComp 30.9，低于 Miro 的 31.1。GAIA 55.3，低于 Miro 的 66.4，也低于 AgentCPM 的 63.9。xBench-2505 的 66.0 高于 Miro 的 60.6，低于 AgentCPM 的 70.0。BrowseComp-ZH 55.4，比 Miro 的 40.2 高 15.2，正文写成 +15.2%。xBench-2510 是 46.0 对 Miro 的 34.0，表内差 12.0；正文另写 +5.4%，这里两套都留着，不把它们算成同一个差。
30B 档里，平均高于 ReSum-30B 的 33.3、AgentFold-30B-A3B 的 50.2、OpenSeeker-30B-SFT 的 50.6。低于 IterResearch-30B-A3B 的 56.6 和 WebSailor-V2-30B 的 56.8。正文说「接近」这两行。Tongyi-DR-30B 58.2、MiroThinker-v1.0-30B 58.3、v1.5-30B 67.0、v1.7-mini 69.4 都更高。带工具的大模型行缺项多，例如 Claude-4.5-Opus 只报了 BrowseComp 67.8 和中文 62.4，平均 65.1 是这两项的，不是五集。
不训练也能当提示词
同一套 Planner / Synthesizer 流程，不更新参数，接到 Claude-4.5-Opus 和 DeepSeek-V3.1 上。这张表没有英文 BrowseComp，四项平均。
| 底座 | 流程 | GAIA | xBench-2510 | BrowseComp-ZH | xBench-2505 | 平均 |
|---|---|---|---|---|---|---|
| Claude-4.5-Opus | ReAct | 58.3 | 55.0 | 60.2 | 69.0 | 60.6 |
| Claude-4.5-Opus | IterResearch | 66.0 | 53.0 | 61.9 | 72.0 | 63.2 |
| Claude-4.5-Opus | IterSynth | 61.2 | 57.0 | 70.2 | 76.0 | 66.1 |
| DeepSeek-V3.1 | ReAct | 51.5 | 31.0 | 39.1 | 52.0 | 43.4 |
| DeepSeek-V3.1 | IterResearch | 51.8 | 33.0 | 40.8 | 55.0 | 45.2 |
| DeepSeek-V3.1 | IterSynth | 56.8 | 35.0 | 43.6 | 56.0 | 47.9 |
相对 ReAct，Claude 平均高 5.5（66.1 对 60.6），DeepSeek 高 4.5（47.9 对 43.4）。Claude 的 GAIA 上 IterSynth 61.2，低于 IterResearch 的 66.0。DeepSeek 四项都高于另外两种流程。
消融：角色拆开比混在一起高
| 训练 | BrowseComp | 中文 | GAIA | 2505 | 2510 | 平均 |
|---|---|---|---|---|---|---|
| RDPO | 30.9 | 55.4 | 55.3 | 66.0 | 46.0 | 50.7 |
| 去掉按角色归一化 | 27.9 | 52.1 | 50.1 | 61.0 | 45.0 | 47.2 |
| GRPO | 28.2 | 53.6 | 50.5 | 63.0 | 49.0 | 48.9 |
| 只做 SFT | 23.7 | 50.1 | 47.6 | 61.0 | 38.0 | 44.1 |
去掉角色拆分后平均 47.2。GRPO 平均 48.9，但 xBench-2510 的 49.0 高于 RDPO 的 46.0。只做 SFT 是 44.1。
角色对调只报三项（2505、中文、GAIA），平均不是五集。完整模型这三项平均 58.9。把 Synthesizer 换成没训练的 Qwen3-8B，平均 41.5，低 17.4。把 Planner 换成没训练的 Qwen3-8B，平均 17.8，低 41.1。Planner 掉得更多。
限制
附录里的失败不是主表的错误率。GAIA 上，综合者的摘要会丢掉两件已检索事实之间的关系，规划者按这份摘要作答就会错。BrowseComp 上，搜索结果互相矛盾时，综合者会把看起来权威但事实上错的来源写进摘要，后面的正确证据被带偏。ReAct 在 64K 上下文里完不成的比例不低：xBench-2510 上 DeepSeek-V3.1 有 27%、Claude-Sonnet-4.6 有 30% 在窗口用尽前停不下来；BrowseComp-ZH 的 100 条子集上是 31% 和 34%。这是 ReAct 对照的失败，不是 IterSynth-8B 主表。强化学习用缓存检索、评测用线上工具，两套工具不完全同一分布。大模型平均分缺项，不能当成五集总分。测试时重采样的逐点增益在附录，正文没有坐标，这里不补。
腾讯、浙江大学，Xingyu Wu、Yuchen Yan、Zhengxi Lu、Siqi Chen、Xin Zhang、Aiting Liu、Chao Deng、Jie Liu、Jin Ma、Jian Shao、Jun Xiao、Yongliang Shen，IterSynth: Rethinking Deep Search Agents via Role-Decoupled Iterative Synthesis，2026-09-24，https://arxiv.org/abs/2609.29444
觉得有用，转给同事
微信扫码
用微信扫一扫，在手机上打开后即可转发。