Heim
Forschungsteam beendet mit SFT das Monopol der Tech-Giganten; OpenSeeker-v2 führt die Rangliste der Suchagenten an
In der sich ständig weiterentwickelnden Landschaft der großen Sprachmodelle (LLMs) sind Deep-Search-Fähigkeiten zum entscheidenden Vorteil für fortschrittliche intelligente Agenten geworden. Doch dieser Bereich wird seit langem von finanzstarken Branchenriesen beherrscht. Herkömmliche Entwicklungsansätze stützen sich in der Regel auf ressourcenintensive Pipelines, die Vortraining, fortgesetztes Vortraining (CPT), überwachtes Feintuning (SFT) und bestärkendes Lernen (RL) umfassen.
Ein Team aus akademischen Forschern hat kürzlich seine neueste Arbeit, OpenSeeker-v2, vorgestellt, die diese etablierte Sichtweise grundlegend in Frage stellt. Laut ihrem Bericht ermöglicht das Training anhand hochwertiger, hochkomplexer Aufgabenabläufe, dass selbst ein einfacher Ansatz des überwachten Feinabgleichs (SFT) einen Suchagenten der Spitzenklasse hervorbringt.

Das Team skizzierte drei zentrale Optimierungsstrategien für die Datensynthese: erstens die Erweiterung des Wissensgraphen, um einen breiteren Erkundungsraum zu schaffen; zweitens die erhebliche Erweiterung des Werkzeugrepertoires, um funktionale Grenzen zu verschieben; und schließlich die Anwendung einer strengen Low-Step-Filterung, um die Qualität und Effizienz der Trainingsdaten zu gewährleisten.
Die experimentellen Ergebnisse zeigen, dass OpenSeeker-v2 (mit 30 Milliarden Parametern und einer ReAct-Architektur), das auf lediglich 10.600 Datenpunkten trainiert wurde, bei vier zentralen Benchmarks eine überragende Leistung zeigte: Es erzielte 46,0 % bei BrowseComp, 58,1 % bei BrowseComp-ZH, 34,6 % bei „Humanity’s Last Exam“ und 78,0 % bei xbench. Diese Zahlen stellen nicht nur neue Rekorde auf, sondern übertreffen auch umfassend Branchenmodelle, die auf aufwendigen Pipelines basieren, welche CPT, SFT und RL kombinieren – wie beispielsweise Tongyi DeepResearch.

Bemerkenswert ist, dass dies der erste State-of-the-Art-Suchagent (SOTA) ist, der von einem rein akademischen Team ausschließlich unter Verwendung von SFT bei gleicher Modellgröße und Architektur entwickelt wurde. Das Team hat nun die Modellgewichte für OpenSeeker-v2 als Open Source veröffentlicht. Dieser Durchbruch senkt die Forschungs- und Entwicklungshürden für fortschrittliche Suchagenten erheblich und bietet sowohl der akademischen als auch der Open-Source-Community einen leichter zugänglichen, ressourcenschonenden Entwicklungsweg.
Artikel: https://arxiv.org/pdf/2605.04036
Verwandter Artikel
Meta entfernt KI-Fotobearbeitungsfunktion nach Nutzerprotesten
Meta, der Social-Media-Riese, ist erneut in eine öffentliche Debatte über die heikle Balance zwischen künstlicher Intelligenz und dem Schutz der Privatsphäre der Nutzer verwickelt. Laut TechCrunch hat Meta’s Superintelligence Labs diese Woche einen n
DeepMind-CEO Hassabis: Ich schlafe sechs Stunden pro Tag und fühle mich normalerweise gegen 1 Uhr nachts energiegeladen.
Fortune hat kürzlich ein Interview mit Demis Hassabis, dem CEO von Google DeepMind, veröffentlicht, das seinen unkonventionellen Ansatz zu Erholung und Produktivität offenbart. Hassabis gab bekannt, dass er sehr wenig schläft und seine wachen Stunden
OpenAI und Anthropic kämpfen trotz Umsatzrückgängen um Marktanteile
Obwohl jüngste Berichte darauf hindeuten, dass OpenAI seine Umsatzziele verfehlt hat, was an diesem Dienstag Druck auf die Technologieaktien ausübte, zeigen sich private Investoren in KI-Labore weiter
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
In der sich ständig weiterentwickelnden Landschaft der großen Sprachmodelle (LLMs) sind Deep-Search-Fähigkeiten zum entscheidenden Vorteil für fortschrittliche intelligente Agenten geworden. Doch dieser Bereich wird seit langem von finanzstarken Branchenriesen beherrscht. Herkömmliche Entwicklungsansätze stützen sich in der Regel auf ressourcenintensive Pipelines, die Vortraining, fortgesetztes Vortraining (CPT), überwachtes Feintuning (SFT) und bestärkendes Lernen (RL) umfassen.
Ein Team aus akademischen Forschern hat kürzlich seine neueste Arbeit, OpenSeeker-v2, vorgestellt, die diese etablierte Sichtweise grundlegend in Frage stellt. Laut ihrem Bericht ermöglicht das Training anhand hochwertiger, hochkomplexer Aufgabenabläufe, dass selbst ein einfacher Ansatz des überwachten Feinabgleichs (SFT) einen Suchagenten der Spitzenklasse hervorbringt.

Das Team skizzierte drei zentrale Optimierungsstrategien für die Datensynthese: erstens die Erweiterung des Wissensgraphen, um einen breiteren Erkundungsraum zu schaffen; zweitens die erhebliche Erweiterung des Werkzeugrepertoires, um funktionale Grenzen zu verschieben; und schließlich die Anwendung einer strengen Low-Step-Filterung, um die Qualität und Effizienz der Trainingsdaten zu gewährleisten.
Die experimentellen Ergebnisse zeigen, dass OpenSeeker-v2 (mit 30 Milliarden Parametern und einer ReAct-Architektur), das auf lediglich 10.600 Datenpunkten trainiert wurde, bei vier zentralen Benchmarks eine überragende Leistung zeigte: Es erzielte 46,0 % bei BrowseComp, 58,1 % bei BrowseComp-ZH, 34,6 % bei „Humanity’s Last Exam“ und 78,0 % bei xbench. Diese Zahlen stellen nicht nur neue Rekorde auf, sondern übertreffen auch umfassend Branchenmodelle, die auf aufwendigen Pipelines basieren, welche CPT, SFT und RL kombinieren – wie beispielsweise Tongyi DeepResearch.

Bemerkenswert ist, dass dies der erste State-of-the-Art-Suchagent (SOTA) ist, der von einem rein akademischen Team ausschließlich unter Verwendung von SFT bei gleicher Modellgröße und Architektur entwickelt wurde. Das Team hat nun die Modellgewichte für OpenSeeker-v2 als Open Source veröffentlicht. Dieser Durchbruch senkt die Forschungs- und Entwicklungshürden für fortschrittliche Suchagenten erheblich und bietet sowohl der akademischen als auch der Open-Source-Community einen leichter zugänglichen, ressourcenschonenden Entwicklungsweg.
Artikel: https://arxiv.org/pdf/2605.04036
Meta entfernt KI-Fotobearbeitungsfunktion nach Nutzerprotesten
Meta, der Social-Media-Riese, ist erneut in eine öffentliche Debatte über die heikle Balance zwischen künstlicher Intelligenz und dem Schutz der Privatsphäre der Nutzer verwickelt. Laut TechCrunch hat Meta’s Superintelligence Labs diese Woche einen n
DeepMind-CEO Hassabis: Ich schlafe sechs Stunden pro Tag und fühle mich normalerweise gegen 1 Uhr nachts energiegeladen.
Fortune hat kürzlich ein Interview mit Demis Hassabis, dem CEO von Google DeepMind, veröffentlicht, das seinen unkonventionellen Ansatz zu Erholung und Produktivität offenbart. Hassabis gab bekannt, dass er sehr wenig schläft und seine wachen Stunden
OpenAI und Anthropic kämpfen trotz Umsatzrückgängen um Marktanteile
Obwohl jüngste Berichte darauf hindeuten, dass OpenAI seine Umsatzziele verfehlt hat, was an diesem Dienstag Druck auf die Technologieaktien ausübte, zeigen sich private Investoren in KI-Labore weiter











