大模型搜索总偷懒？IQuest等联合推出FORT，30B开源搜索Agent刷新同规模SOTA

当大模型从“回答问题”走向“自己搜索、验证、综合证据”，Deep Search Agent正在成为下一阶段智能体能力的重要方向。

这类Agent不再满足于一次检索、一次回答。它需要在开放网络中多轮搜索，交叉验证，排除错误，并在足够证据支撑下给出最终答案。

但真正训练这种能力，首先要解决一个基础问题：什么样的搜索数据，才是真的难、真的有用？

来自至知创新研究院（IQuest Research）、中国人民大学高瓴人工智能学院、KAUST等机构的研究团队提出了FORT，一个面向Deep Search Agent的shortcut-resistant training-data synthesis framework。

与单纯经验式构造复杂问题不同，FORT首先从理论上建模Deep Search任务中的shortcut collapse，再将这些风险转化为数据合成中的显式控制项。

基于FORT生成的搜索轨迹，研究团队训练得到FORT-Searcher。该模型使用Qwen3-30B-A3B-Thinking-2507作为基座，仅通过监督微调（SFT）训练，就在多个挑战性Deep Search基准上取得了同规模开源Agent中最优的整体表现。

△FORT-Searcher在BrowseComp和BrowseComp-ZH上的主要结果。

为什么高难搜索题会“塌缩”？

FORT的核心理论出发点是：Deep Search任务的难度不是一个静态属性。

一个问题设计得多复杂，只说明它的apparent difficulty很高；但当这个问题真正交给一个搜索Agent，在具体检索接口和具体模型能力下执行时，难度可能会发生变化。真正重要的是realized difficulty：模型在真实搜索中是否必须经历充分的证据获取过程，才能识别答案。

论文将Deep Search问题形式化为多约束检索任务。完整约束集合可以唯一确定答案，但模型在实际求解时不一定需要验证所有约束。只要某个较小的约束子集已经足以识别答案，并且这个子集可以通过很短的搜索路径被验证，任务难度就会塌缩。

论文将这条低成本答案识别路径称为cheapest identifying route。

• 这揭示了一个关键问题：真正决定搜索难度的，不是设计者预设的完整推理链，而是所有可能识别答案的路径中，是否存在一条足够便宜的路径。

基于这一视角，论文将难度塌缩分成两类。

• 第一类是route-level collapse。它来自问题和检索环境本身。例如，一个线索就足够锁定答案，多个线索被同一个网页共同覆盖，或者题面暴露了后续搜索本应逐步发现的中间常量。
• 第二类是solver-level collapse。它来自具体模型自身。例如答案实体足够知名，模型可能在检索证据充分出现前，就凭参数知识提前提出答案。

FORT将这些现象总结为四类shortcut risks：

• Evidence Co-coverage：多个线索被同一个证据源覆盖，使多步验证退化成少量检索；
• Single-clue Selectivity：某个或极少数线索过于独特，已经足够定位答案；
• Exposed Constants：题面暴露人名、作品名、年份、数字等可直接搜索的常量，使后续query提前可执行；
• Prior-knowledge Binding：模型在证据充分出现前，凭参数知识提前提出答案。

FORT的理论贡献在于，它不是孤立地观察这些现象，而是把它们放入统一的shortcut-aware difficulty framework中，解释它们如何降低真实搜索成本，并指导后续数据合成。

FORT：把理论风险变成数据构造控制项

FORT的目标不是简单把问题做长，而是系统性减少cheap identifying route，让模型更难通过单个线索、单个网页、题面常量或参数知识提前获得答案。

整个合成流程包括四个阶段：Graph Initialization、Graph Construction、Question Formulation和Adversarial Refinement。

△FORT整体数据合成pipeline。

从长尾实体出发，降低先验捷径

FORT首先从Wikidata中选择root entity，并初始化seed graph。

为了降低prior-knowledge binding，FORT优先选择长尾实体，尤其是没有英文Wikipedia页面、模型不太可能直接记住的实体。同时，FORT会进行轻量级预搜索，过滤掉外部证据不足的实体，保证问题仍然可解。

除了实体选择，FORT还尽可能使用cycle-based initialization，而不是简单线性链条。线性链条在问题生成时容易暴露中间实体，导致后续query从一开始就能执行；cycle seed则可以让关系表达更间接，减少exposed constants风险。

构造异构证据图，而不是单纯把图做大

从seed graph出发，FORT会扩展evidence graph。这里的重点不是图有多大，而是facts、sources和dependencies是否能支持真正search-heavy的问题。

具体来说，FORT会从多种外部来源收集事实，降低evidence co-coverage风险；构造derived facts，避免clue直接对应网页原文；并选择那些“单独看平凡，但组合起来能够定位答案”的facts。

Derived facts是FORT的关键设计之一。它们不是简单摘取网页中的一句话，而是通过跨记录匹配、计数聚合、数值关系或元信息抽取等方式构造新的约束。

例如，问题可以不直接说“某人出生于某年”，而是描述“某人的导师比他年长多少岁”；也可以不直接给出作品标题，而是通过歌词、章节结构或出现次数形成间接约束。

这种设计让每个clue都有贡献，但又避免任何单个clue过强。

隐藏中间实体，模糊精确常量

在Question Formulation阶段，FORT会将answer-bearing subgraph渲染成自然语言问题。

为了减少exposed constants，FORT会隐藏中间实体名称，用关系描述替代直接命名。例如，不直接给出某个人物、作品或机构名称，而是通过其属性、关系或事件间接描述。

对于必须出现的数值、日期或名称，FORT会进行exact-value fuzzing。比如，将精确年份、数字或日期改写成范围、类别、数字特征或间接约束。这样可以避免模型直接复制题面中的精确字符串去搜索，同时保证问题仍然真实、可验证。

很多看似多跳的搜索题并不真正难，因为题面已经给出了下一跳的搜索关键词。FORT的问题生成阶段试图避免这种情况：不是让问题变得模糊不可解，而是让关键中间信息必须通过搜索逐步发现。

用强搜索模型攻击草稿题，修复残余捷径

构造阶段的控制并不能保证问题在真实搜索接口下一定没有shortcut。因为shortcut往往只有在具体搜索引擎、具体模型和具体轨迹中才会暴露。

因此，FORT引入Adversarial Refinement：让强search agent实际求解draft question，并观察轨迹中的solving cost、answer hit time和prior-shortcut行为。

如果模型过早命中答案，FORT会修复最早出现的shortcut-prone clue；如果问题因为过度fuzzing或歧义导致不可解，FORT会收窄clue、恢复必要约束或移除歧义事实。

这一步让FORT从construction-time control闭环到trajectory-level diagnosis。也就是说，FORT不只是理论上避免捷径，而是用真实搜索轨迹来检查和修复残余捷径。

30B级FORT-Searcher达到同规模开源SOTA

基于FORT生成的shortcut-resistant search trajectories，研究团队训练得到FORT-Searcher。

FORT-Searcher使用Qwen3-30B-A3B-Thinking-2507作为基座模型。该模型总参数规模为30B，推理时约激活3B参数，并支持256K上下文窗口。该基模未提前对搜索能力进行优化，因此能更好反映FORT数据带来的提升。

评测覆盖五个挑战性Deep Search基准：BrowseComp、BrowseComp-ZH、xbench-DeepSearch-2505、xbench-DeepSearch-2510和Seal-0。

△FORT-Searcher与其他Deep Search Agent的主结果对比。

实验结果显示，FORT-Searcher在comparable-size open-source agents中取得最高Overall分数66.2，超过MiroThinker-1.7-mini的64.6和Qwen3.5-35B-A3B的59.9。

在BrowseComp上，FORT-Searcher达到72.2，高于MiroThinker-1.7-mini的67.9；在BrowseComp-ZH上达到75.0，高于MiroThinker-1.7-mini的72.3；在xbench-DeepSearch-2505上达到80.8，也超过同规模开源基线。

更重要的是，FORT-Searcher只使用SFT训练，推理时约激活3B参数，却在BrowseComp上超过多个更大规模开源Agent；在BrowseComp-ZH上，也取得了表中所有开源Agent的最高结果。

• 这说明FORT的贡献不只是合成了一批复杂问题，而是生成了真正有效的搜索监督数据。

不是简单让轨迹变长，而是提高答案发现成本

FORT的进一步分析聚焦于一个问题：训练数据的难度到底体现在哪里？

长轨迹本身并不等于高质量搜索监督。后续搜索可能有助于验证和补充证据，但Deep Search训练还需要关注答案出现之前的证据发现过程：模型是否必须跨越多个约束、多个证据来源和必要的中间依赖，才能逐步识别答案。

因此，论文引入了一组trajectory signatures：

△FORT与已有开源deep-search数据的trajectory signatures对比

相比已有开源deep-search数据，FORT带来了更高的solving cost和更晚的answer hit time。具体来看，相比最强开源数据基线REDSearcher，FORT将平均solving cost从92.1提升到141.0，将answer hit time从18.7推迟到46.9，同时prior-shortcut rate保持在相近水平。

这说明FORT并不是简单诱导模型多搜几步，而是在构造阶段减少cheap identifying route，使答案发现过程本身更难被绕过。

进一步的training-data difficulty analysis也验证了这一点。

△Training-data difficulty analysis：轨迹长度之外的答案发现成本。

结果显示，单纯提高平均轨迹长度只能带来有限提升；而在相近轨迹长度下，答案发现过程更长、prior-shortcut更少的训练数据，最终带来了更好的训练效果。

这也是FORT的核心经验：高质量搜索监督的关键，不只是轨迹有多长，而是答案发现过程是否足够必要、足够难以被捷径绕过。

从“复杂问题”到“不可绕过的搜索过程”

FORT-Searcher的意义不只是提出了一个更强的30B Deep Search Agent。更重要的是，它系统回答了一个基础问题：高难Deep Search数据为什么难造？

过去，Deep Search数据构造往往关注问题有几跳、图结构有多复杂、轨迹有多长。但FORT指出，这些都只是apparent difficulty。真正关键的是realized difficulty：答案是否必须通过真实搜索中的充分证据获取才能出现。

为此，FORT从理论上建模了shortcut collapse，并将四类shortcut risks转化为数据构造中的具体控制机制，包括长尾实体选择、异构证据图构造、derived facts、name withholding、exact-value fuzzing和adversarial refinement。

最终，基于FORT数据训练得到的FORT-Searcher，在多个挑战性Deep Search benchmark上取得同规模开源Agent中最优整体表现。进一步分析也表明，FORT的提升来自更高的答案发现成本、更少的真实搜索捷径，以及更有效的搜索监督。

FORT-Searcher的核心价值不只是30B级Deep Search Agent新SOTA，而是提出了一套从理论建模到数据合成再到模型训练的闭环方法：让搜索数据不只是看起来复杂，而是真的能训练模型进行长程证据发现。

关于至知创新研究院

至知创新研究院（IQuest Research）以“做更有价值的AI”为核心理念，致力于破解尖端研究与真实场景应用之间的转化鸿沟。作为创新型研究组织，至知集探索者、实战派、连接器三重角色于一身：聚焦下一代AI基础架构，推动自主可控的全栈自研；深耕智慧医疗、生物技术、能源电力、数学智能等高壁垒研究与应用场景，打造端到端智能解决方案；依托全球资源网络，打通从理论到实践的转化链路。研究院汇聚顶尖人才，持续培养复合型AI人才。至知创新研究院将持续以智能计算重写科学规则，以系统方案重塑产业路径，开启AI更具价值的未来。

论文题目：FORT-Searcher:Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents
arXiv：https://arxiv.org/abs/2606.12087
GitHub：https://github.com/RUCAIBox/FORT-Searcher

文章来自于微信公众号 “量子位”，作者 “量子位”