數據合成：WebShaper 與 S1-DeepResearch

前面幾篇看的都是「怎麼訓練」：從零訓練（order 2）、長時程記憶（order 3）、規劃優化（order 4）、完整管道（order 5）。

但所有這些都建立在同一個前提上：有高品質的訓練數據。

現實是，deep research 的訓練數據長期短缺。傳統做法是「先收集網頁，再根據內容生成問題」——但這個做法有結構性問題：資訊結構與推理結構不一致。搜尋到的東西不一定能產出好的訓練問題。

這篇看兩個解決方案：

• WebShaper：用數學形式化從根本上重新設計數據合成
• S1-DeepResearch：把訓練從「搜尋為中心」擴展到「真正做研究」

數據瓶頸：為什麼重要

訓練一個 deep research agent 需要什麼樣的數據？

不是普通的 QA 對。而是結構化的 agent 軌跡——包含提問、搜尋、瀏覽、綜合的完整過程。

現有方法的問題：

方法	問題
從網頁生成問題	資訊結構 ≠ 推理結構（搜得到的東西不一定適合訓練）
人工標註	不可擴展、成本高
隨機合成	缺乏可控性、品質不穩定

WebShaper 和 S1-DeepResearch 分別從任務形式化和軌跡統一兩個角度突破這個瓶頸。

WebShaper：集合論形式化

WebShaper 的核心創新是：用數學正式定義「資訊搜尋任務」本身。

問題本質

現有方法採用「information-driven」範式：

1. 先從網路收集資料
2. 根據收集到的資料生成問題

這導致資訊結構與推理結構不一致——搜尋結果的組織方式不一定對應良好的推理過程。

解法：集合論 + Knowledge Projections

WebShaper 把資訊搜尋（IS）任務形式化為集合論：

• 每個任務被表示為一個數學結構
• Knowledge Projections (KP) 是核心操作——它們精確控制推理結構
• KP 的組合可以工程化地控制難度、覆蓋範圍、多樣性

形式化的好處：

1. 可控性：可以精確控制任務的推理深度和結構
2. 一致性：資訊結構和推理結構天然一致
3. 可擴展性：自動生成大量高品質任務

合成過程

產生種子任務 → agentic Expander 迭代擴展 → 驗證 → 訓練數據集

每一步：

1. 從簡單的種子問題開始
2. Agentic Expander 用檢索和驗證工具，根據形式化規則把問題變得更複雜
3. 確保擴展後的問題與形式化定義一致
4. 反覆直到達到目標難度

基準表現

基準	WebShaper-72B	第二名（WebSailor）	OpenAI Deep Research
GAIA (Pass@1)	60.1%	55.4%	67.4%
WebWalkerQA	52.2%	—	—

跨不同基座模型都有效（Qwen-2.5-32B、QwQ-32B、Qwen-2.5-72B），證明形式化方法的通用性。

S1-DeepResearch：超越搜尋中心

WebShaper 解决了「怎麼產生好的訓練數據」。S1-DeepResearch 問了一個更深層的問題：「什麼樣的任務才算 deep research？」

問題本質

大多數 deep research 系統是搜尋中心的——它們被訓練來回答問題。但真正的研究不只是問答：

真實研究能力	描述
資訊搜尋	找到相關來源
證據綜合	把多個來源串成有邏輯的敘事
指令遵循	按特定格式要求產出
交付物生成	產出報告、簡報、代碼等
長時程規劃	跨多階段的任務管理

大多數訓練數據只覆蓋了第一項。

解法：統一軌跡建構

S1-DeepResearch 提出統一的軌跡建構範式，結合：

• 封閉式 QA（可驗證的部分）
• 開放式研究任務（需要綜合的部分）

三階段建構：

1. 任務設計：定義五維能力目標
2. 軌跡合成：生成包含完整研究過程的軌跡
3. 驗證與過濾：確保軌跡覆蓋所有維度

關鍵洞察

搜尋是必要條件，但不是充分條件。

一個真正的 deep research agent 需要能在搜尋之後做更多事：綜合證據、產生報告、遵循複雜指令。訓練數據必須反映這個現實。

兩者的關係

維度	WebShaper	S1-DeepResearch
核心問題	怎麼產生高品質訓練數據？	什麼樣的任務才算 deep research？
方法	集合論形式化 + KP	統一軌跡建構（五維）
切入點	資訊搜尋任務的數學結構	研究能力的完整定義
貢獻	數據合成方法論	任務定義與軌跡規範
適用	產生 IS 訓練數據	定義和產生完整研究任務

互補性

這兩個方法高度互補：

• WebShaper 告訴你怎麼「造出好的問題」——形式化定義 + 系統擴展
• S1-DeepResearch 告訴你「什麼是好問題」——不僅僅是問答，而是完整的研究能力

理想的流程：

1. 用 S1-DeepResearch 的視角定義任務維度
2. 用 WebShaper 的形式化方法生成覆蓋所有維度的數據
3. 用這個數據訓練出真正的 deep research agent

與 Tongyi 生態的關係

兩個方法都來自 Tongyi Lab（阿里巴巴）：

• WebShaper：為 Tongyi DeepResearch 提供了訓練數據基礎
• Tongyi DeepResearch（order 5）：用 Agentic CPT + Agentic SFT + Agentic RL 訓練完整系統

這展現了 Tongyi Lab 的系統思路：先解決數據（WebShaper），再解決訓練（Agentic CPT），最後得到完整系統（Tongyi DeepResearch）。

下一步

最後兩篇看評估與未來展望。

參考資料

• WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization — Tao et al., ICLR 2026. 集合論 + KP 形式化，GAIA 60.1%。
• S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents — Dong et al., ScienceOne AI, 2026. 五維統一軌跡建構。
• Tongyi DeepResearch Technical Report — 本系列 order 5，Tongyi Lab 完整系統。
• Open Data Synthesis For Deep Research — 相關工作，InfoSeek 數據集。
• deep-research-survey-overview — 本系列上篇文章：三階段全景分類。