阿里WebSailor详解：超越Grok-3，开源Agent推理新王诞生，你可以通过Grok镜像站`https://chat.aigc.bar`体验Grok的强大功能。

type

status

date

slug

summary

引言

在人工智能飞速发展的今天，大型语言模型（LLM）已成为我们处理信息的重要助手。然而，当面对互联网上错综复杂、线索模糊的查询任务时，即便是最顶尖的模型也常常会陷入“信息迷雾”。简单的提问，如“某城市的人口”，模型能轻松应对。但如果问题变得极度复杂，需要跨越多个网页、进行多步推理和交叉验证，例如追踪一个横跨数十年和多大洲的间谍网络，大多数模型便会束手无策。

长期以来，以OpenAI的DeepResearch为代表的闭源系统在解决这类超高难度任务上展现出惊人实力，但其技术细节如同黑箱，让开源社区难以企及。然而，这一局面正在被打破。阿里巴巴通义实验室最新开源的网络智能体（Web Agent）——WebSailor，通过一套创新的训练方法，成功在复杂网页推理任务上刷新了记录，其表现甚至超越了备受瞩目的Grok-3和DeepSeek R1等一系列强大的开闭源模型。这不仅是技术的突破，更是开源力量的一次伟大胜利。对于希望体验像Grok这类前沿模型能力的用户，可以通过Grok镜像站 https://chat.aigc.bar 进行探索，了解Grok国内如何使用。

揭秘挑战：为何复杂网页推理是AI的“试金石”？

要理解WebSailor的突破性，首先要明白它所挑战的任务有多么艰巨。以OpenAI发布的基准BrowseComp为例，它并非简单的问答，而是精心设计的“信息迷宫”。

BrowseComp的挑战在于：

信息极度碎片化：答案线索被拆解得极其零碎，散布在不同主题、不同时期、不同类型的网页中。

高度不确定性：问题描述充满模糊信息，如“21世纪初”、“姓名首字母为F的机构”，排除了通过关键词精确匹配找到答案的可能性。

复杂的推理路径：解决问题需要智能体主动规划探索路径，在海量信息中过滤噪声，进行严密的多步逻辑推理和交叉验证，最终将所有线索串联起来。

例如，文章开头提到的追踪间谍网络的问题，要求智能体理解并连接多个人物（间谍A、B、C、记者、孩子）、事件（两次身份暴露、书评、文章、审判）和地点（不同大洲、欧洲某国、亚洲），这是一个典型的“超越人类能力”的复杂任务。人类专家也需要花费大量时间才能理清头绪。

在这种背景下，模型的“不确定性消解推理能力”成为了关键。闭源模型虽然强大，但它们的成功秘诀不为外界所知，导致开源模型在这一领域存在明显的性能鸿沟。WebSailor的出现，正是为了攻克这一难题。

WebSailor的核心武器（一）：制造并穿越“信息迷雾”

要让模型学会在迷雾中航行，首先要让它在训练中见识过足够多的“大风大浪”。为此，WebSailor团队创造性地构建了一个名为SailorFog-QA的大规模合成数据集，其核心就是为模型制造足够真实且困难的“信息迷雾”。

研究团队将信息检索任务定义为三个层次：

Level-1：低不确定性，一次搜索或利用自身知识即可解决。

Level-2：较高不确定性但路径清晰，如传统的多跳问答。

Level-3：高不确定性且难以消除，关系复杂，无预定路径，需要创造性探索。

SailorFog-QA专门针对Level-3任务设计，其生成过程极具巧思：

模仿随机游走构建知识网络：研究者从知识库的冷门实体出发，在真实互联网上进行“随机游走”，不断爬取信息并扩展，构建出一个高度非线性、稠密连接的知识图谱。这与传统线性推理链完全不同，它模拟了真实世界信息的混乱与复杂。

模糊化处理增加不确定性：在图谱上生成问答对后，研究者对问题进行刻意的“模糊化”处理。例如，将确切年份改为“世纪初”，将具体人物替换为描述性短语。这迫使模型必须真正理解内容，而不能依赖简单的模式匹配。

通过这种方式生成的SailorFog-QA数据集，不仅内容源于真实互联网，保证了任务的真实性，还催生了多样的复杂推理模式，为模型提供了绝佳的“高强度训练场”。

WebSailor的核心武器（二）：从模仿到超越的训练心法

有了顶级的训练数据，还需要高效的训练方法。WebSailor的训练流程结合了RFT冷启动和高效强化学习，堪称一套组合拳。

1. 拒绝采样微调（RFT）冷启动：首先，团队利用现有的开源推理模型去尝试解决SailorFog-QA中的难题，并收集那些成功的交互轨迹。但他们并非简单地模仿，而是提出了一种创新的“思想重构”方法。他们只保留正确的“行动-观察”序列，然后重新生成简洁、高效的“思考”过程。这避免了模型学到其他模型冗长固定的思维模式，为后续学习更灵活的策略打下了坚实基础。

2. 高效强化学习算法DUPO：强化学习（RL）是提升Agent决策能力的关键，但在复杂网页任务中，传统RL方法效率极低。为此，团队提出了全新的DUPO（Duplicating Sampling Policy Optimization）算法。 DUPO的核心思想是“把好钢用在刀刃上”： * 训练前过滤：剔除模型已经能轻松解决的简单样本，节省算力。 * 训练中动态复制：在训练过程中，如果发现某些难题模型掌握得还不够好（例如多次尝试结果不一），DUPO就会在当前批次中复制这些“硬骨头”样本，让模型集中火力反复练习，直至掌握。

这一创新将复杂Agent的RL训练速度提升了约2-3倍，极大地提高了学习效率。

实战成绩：全面超越Grok-3，开源模型的荣耀时刻

经过这一系列精心打磨，WebSailor在各大权威基准测试中取得了令人瞩目的成绩，一举成为当前最强的开源网络智能体。

在最具挑战性的BrowseComp-en/zh、XBench-DeepSearch和GAIA等基准上，WebSailor的表现全面刷新了开源模型的记录。值得一提的是，它不仅超越了此前的所有开源方案，还成功击败了包括Grok-3、GPT-4o、DeepSeek R1在内的一系列顶尖开闭源模型。

即使是像Grok这样由xAI推出的强大模型，在面对BrowseComp这类极致复杂的任务时也面临挑战。而WebSailor的成功，标志着开源社区在这一尖端领域取得了重大突破。这证明了通过创新的数据和训练方法，开源模型完全有能力追赶甚至超越顶尖的闭源对手。

此外，WebSailor在SimpleQA这类简单任务上也表现出色，证明了其强大的泛化能力和兼容性，并非只能处理极端难题的“偏科生”。

总结与展望：WebSailor开启的开源Agent新纪元

WebSailor的成功意义非凡。它不仅大幅缩小了开源与闭源网络智能体之间的能力鸿沟，更重要的是，它提供了一套可复制、可扩展的通用工作流。其“高难度任务合成 + 小规模冷启动 + 高效RL优化”的策略，为未来攻克更多“超越人类能力”的AI任务指明了方向，例如在科学发现、跨模态信息整合等领域。

WebSailor的开源（数据与模型即将开源）无疑将极大地推动整个AI社区的发展，让更多研究者和开发者能够站在巨人的肩膀上，共同探索AGI的未来。它告诉我们，挑战模型的极限，是通往更强人工智能的必由之路。

想要亲自感受如Grok等前沿大模型的魅力，不妨访问Grok官网推荐的国内镜像站 https://chat.aigc.bar，轻松开启您的AI探索之旅，体验官方中文版Grok带来的震撼。