[Tongyi] DeepResearch Model | MODEL_PATH

链接：Tongyi DeepResearch: A New Era of Open-Source AI Researchers | Tongyi DeepResearch

docs：Tongyi DeepResearch Model

围绕通义深度研究模型构建，这是一个拥有305亿参数的复杂大型语言模型，专为复杂、长期的信息检索任务而设计。

该系统采用智能代理搜索范式运行，能够智能执行操作、观察结果并做出决策以开展研究。

该模型利用多种外部工具（如网络搜索和文件解析器）收集信息，并通过*全自动合成数据生成管道和强化学习框架*持续训练和改进。

可视化

章节内容

1. 通义深度研究模型
2. 智能代理搜索范式
3. 工具集成
4. 推理执行模式
5. 评估数据接口
6. 合成数据生成管道
7. 强化学习框架

相关前文传送：

[GLM-4.5] GLM-4.5模型 | Claude Code服务集成

[GLM-4.5] LLM推理服务器(SGLang/vLLM) | 工具与推理解析器

---

第1章：通义深度研究模型

欢迎来到深度研究的世界

在第一章中，我们将认识本项目的核心——通义深度研究模型。

这个模型就像是整个深度研究项目的"超级大脑"。

它解决什么问题？

想象你需要回答一个复杂且需要深入挖掘的问题

例如：“气候变化对海洋生物多样性的长期影响是什么？全球正在开发的最有前景的缓解策略有哪些？”

回答这个问题不仅需要查找一个事实，还需要阅读大量资料、理解不同观点并整合信息形成全面答案。

传统搜索引擎只能提供链接列表，普通AI模型可能基于训练数据给出快速回答

但如果我们需要一个能像专业研究员那样主动研究主题的AI呢？

这正是通义深度研究模型要解决的问题。它专为**“长期、深度信息检索”**任务设计——擅长在多步骤研究中探索主题，深入挖掘以获取全面答案。

认识这个"大脑"：通义深度研究模型

通义深度研究模型本质上是一个强大的大语言模型(LLM)。

如果你听说过ChatGPT这类AI，就知道LLM通过海量文本训练来理解和生成类人语言。

关于这个模型的关键信息：

• 规模优势：拥有惊人的305亿参数。简单来说，"参数"就像大脑中的神经连接，参数越多通常意味着模型能力越强、知识越丰富。这种规模使其能够理解复杂主题并生成精细回答。
• 研究专用：与通用LLM不同，这个模型专为研究任务设计。可以把它想象成一位高度专业化、非常聪明的图书管理员，不仅回答问题，还会主动研究主题。这位管理员会使用各种资源（后续章节会介绍）寻找全面详细的答案，而非仅提供表面回答。
• 核心智能：该模型是整个深度研究项目的大脑、决策者和战略家。当你向深度研究系统提问时，正是通义深度研究模型在协调整个信息查找与整合过程。

它如何工作？（简化版）

用"聪明图书管理员"的比喻来说明：

1. 管理员（通义深度研究模型）首先彻底理解你的请求
2. 然后规划如何查找信息：“我先查这个数据库，再看最新科研论文，然后与新闻报道交叉验证”
3. 使用各种工具（如网络搜索、文档分析或计算工具——详见第3章工具集成）收集事实
4. 收集信息时持续跟踪所学内容，必要时调整计划
5. 最后整合所有信息，逻辑化组织后呈现详细、深入研究的答案

模型应用（高层次）

虽然本教程不会用复杂Python代码构建模型，但你会通过告诉深度研究系统使用哪个模型和研究什么问题来与之交互。

项目提供了运行通义深度研究模型的方式。本质上你需要将深度研究应用"指向"模型"大脑"的存储位置。

在项目设置中，你会看到配置使用哪个模型的脚本。这就是告诉深度研究系统使用通义深度研究模型的地方：

# 来自run_react_infer.sh或类似配置的片段
# MODEL_PATH - 本地或远程模型权重的路径
# 这个变量告诉系统在哪里找到通义深度研究模型
MODEL_PATH="Alibaba-NLP/Tongyi-DeepResearch-30B-A3B"# DATASET - 评估问题的路径
DATASET="eval_data/example.jsonl"# OUTPUT_PATH - 模型回答的保存位置
OUTPUT_PATH="./outputs"# 运行推理脚本时，它将使用MODEL_PATH指定的模型
# 回答来自DATASET的问题
bash run_react_infer.sh

在这个例子中，MODEL_PATH="Alibaba-NLP/Tongyi-DeepResearch-30B-A3B"是关键行。

它表示你告诉深度研究应用加载并使用我们的通义深度研究模型。Alibaba-NLP/Tongyi-DeepResearch-30B-A3B是指向模型"大脑"（其305亿参数）存储位置的特殊标识符，通常来自HuggingFace或ModelScope等平台，如项目README.md所述。

配置完成后，当运行run_react_infer.sh脚本时，深度研究应用将使用通义深度研究模型处理example.jsonl数据集中的问题，并将其详细回答保存到指定的outputs文件夹。

内部机制：深度研究流程

让我们可视化当你提出问题时通义深度研究模型处理的基本交互。

这个图表展示了"大脑"（我们的模型）如何成为研究过程的中心：

在这个简化流程中，通义深度研究模型（我们的"大脑"）接收问题后充当核心协调者。

它决定需要什么信息、使用哪些工具获取信息，以及如何将所有内容组合成连贯详细的答案。

总结

本章介绍了通义深度研究模型，这是我们项目的核心智能。

我们了解到它是一个拥有305亿参数的强大语言模型，专为深度、长期的信息检索任务设计。它就像一个非常聪明的研究图书管理员，协调整个信息查找和整合过程，全面回答复杂问题。

也初步了解了这个模型如何通过MODEL_PATH变量在深度研究项目中引用。理解这个模型作为核心"大脑"对我们探索它如何与其他组件交互至关重要。

接下来，我们将深入探讨这个强大模型如何以代理式思维方式思考和决策以执行研究任务。准备好探索智能代理搜索范式吧！