Mind DeepResearch（理想 MindDR）：三 agent 协作 + 四阶段训练的高效深研

📄 Mind DeepResearch Technical Report

2026-04 · 理想汽车 MindDR Team（Li Auto Inc）· 榜单

一句话：理想汽车的 ~30B 深研框架——把深度研究在推理侧拆成"规划 / 深搜 / 报告"三 agent 协作、在训练侧拆成"SFT 冷启动 → Search-RL → Report-RL → 偏好对齐"四阶段，用替代昂贵 mid-training 的分阶段训练，把中等规模模型做到与更大基座掰手腕，并已上线理想自家智能助手。

📖 论文原文 Abstract（英文）

We present Mind DeepResearch (MindDR), an efficient multi-agent deep research framework that achieves leading performance with only ~30B-parameter models through a meticulously designed data synthesis and multi-stage training pipeline. The core innovation of MindDR lies in a collaborative three-agent architecture (Planning Agent, DeepSearch Agent, and Report Agent) and a four-stage agent-specialized training pipeline comprising SFT cold-start, Search-RL, Report-RL and preference alignment. With this regime, MindDR demonstrates competitive performance even with ~30B-scale models. Specifically, MindDR achieves 45.7 on BrowseComp-ZH, 42.8 on BrowseComp, 46.5% on WideSearch, 75.0% on xbench-DS, and 52.5 on DeepResearch Bench, outperforming comparable-scale open-source agent systems and rivaling larger-scale models. MindDR has been deployed as an online product in Li Auto. Furthermore, we introduce MindDR Bench, a curated benchmark of 500 real-world Chinese queries from our internal product user interactions, evaluated through a comprehensive multi-dimensional rubric system rather than relying on a single RACE metric. On MindDR Bench, MindDR achieves a state-of-the-art score of 51.8.

相关：Deep Research 总览 · Tongyi DeepResearch · REDSearcher · Step-DeepResearch · DR-Rubric · Web 长程导航 RL

图源：MindDR Team (Li Auto), Mind DeepResearch Technical Report（arXiv:2604.14518）Figure 1——MindDR 与主流深研系统的多基准对比，MindDR-1.5 为本文模型、MindDR-1.0 为上一代大规模 RFT 版（用于学习注解，版权归原作者）。

动机与创新点：search ≠ research，用小模型把"贵在哪"逐块拆掉做高效深研

MindDR 的核心追问写在引言里——

how to achieve leading performance and excellent user experience using a small-sized model through low-cost training and inference?

作者指出当下 SOTA 深研系统普遍依赖 >100B 的大基座，再叠加昂贵的持续预训练（mid-training）注入领域知识与推理能力；推理时复杂研究任务又要长程推理与多步工具调用，若不显式优化搜索效率，模型会"把大量算力耗在边际收益很低的探索上"（exhaust substantial computational budgets on marginally relevant exploration），既抬高 token 消耗与时延，又会"通过过度的上下文累积稀释关键发现"。这与本章 Tongyi DeepResearch、小红书 REDSearcher、阶跃 Step-DeepResearch 同处一条战线——不靠堆参数，靠"训练 + 架构"把一个约 30B 的模型压榨到深研 SOTA 级。

MindDR 的破题方式是把"贵"和"难"逐块拆开：推理侧用三 agent 分解任务、隔离上下文；训练侧用四阶段课程，每阶段只攻一个能力前沿、配专属奖励与算法。它刻意移除工业界常见的 mid-training 阶段（往往要 >150B tokens），改用"SFT 冷启动 + 分块 RL + 偏好对齐"的分阶段设计——据论文，MindDR-1.5 仅用约 1.03B 训练相关 token、6K GPU 卡时，就超过上一代用 280K RFT 样本（≈3.6B token、15K 卡时）的 MindDR-1.0。

关键创新：

• 三 agent 协作架构 + XoT 共享记忆：Planning / DeepSearch / Report 三个分工 agent 顺序协作，并用 Extended Chain-of-Thought（XoT）记忆 + 工具记忆把推理链跨 agent、跨工具调用串起来——区别于"单次模型调用内"的普通 CoT。
• 四阶段 agent 专属训练：SFT 冷启动 → Search-RL（练深搜）→ Report-RL（练写报告）→ 偏好对齐（DPO + Self-SFT），由"奖励可处理性 / 能力依赖 / 数据效率"三原则推导而来，每阶段独立配奖励与优化算法。
• 轻量 step-level credit assignment：Search-RL 用基于实体串匹配的 PRM（无需 LLM 推理）+ 阈值触发的奖励系数调度，在无 critic、无指数级采样的前提下做细粒度 advantage 估计，显式优化检索准确率与搜索效率。
• MoE 上的 GSPO/DAPO 取舍：发现 GRPO 在 MoE 上因专家路由漂移而不稳，Search-RL/Report-RL 在 MoE 骨架上改用序列级重要性比的 GSPO，Dense 骨架上 Report-RL 用 DAPO。
• MindDR Bench + 模块化评测：500 条来自理想自家助手（Livis）真实日志的中文 query，不止看单一 RACE 总分，还把深研流水线拆成"推理轨迹 / 工具调用 / 大纲生成 / 报告生成"四个模块分别打过程指标。

方法：三 agent 推理架构 + KG 数据合成 + 四阶段训练流水线

MindDR 由两个紧耦合组件构成：编排多 agent 协作出报告的推理流水线，和逐层垫高各 agent 所需能力的四阶段训练流水线。

推理架构：三 agent 顺序协作 + XoT 跨 agent 记忆

MindDR 把深研循环落成三个分工明确、信息逐级向下传的 agent：

• Planning Agent（规划）：收到 query 后先做意图分析，把问题分解成一组子任务（structured subtask specification），决定"研究哪些方面、按什么顺序"，再把子任务派发给下游。
• DeepSearch Agent（深搜）：每个子任务被派给一个独立的 DeepSearch 实例，因此多个子任务可并行执行——这正是"推理侧解耦能提效、隔离上下文"的来源。每个实例跑 ReAct 式 agent 循环，迭代调用搜索工具做多源检索、证据整合与中间推理，直到判断"已收集到足够信息回答该子问题"。
• Report Agent（报告）：作为最终综合阶段，吃下完整任务规格与所有子报告，先生成层级化大纲，再做全局信息聚合与结构化组织，产出连贯、全面的 Markdown 报告；图 2 里把它细化为 DRAFTING → OUTLINE → WRITING → POLISHING 四态。它显式对齐 RACE 评测框架（全面性 / 洞察 / 指令遵循 / 可读性）与真实用户体验。

图源：MindDR Team (Li Auto), Mind DeepResearch Technical Report（arXiv:2604.14518）Figure 2——MindDR 三 agent 协作框架与 XoT/工具共享记忆（用于学习注解，版权归原作者）。

把三者粘起来的是共享记忆机制。关键创新是 Extended Chain-of-Thought（XoT）记忆：

Unlike standard chain-of-thought prompting, which operates within a single model invocation, XoT memory extends the reasoning trace across multiple agent interactions and tool calls.

普通 CoT 只在"一次模型调用内"成立；XoT 把推理链跨多个 agent 交互、跨多次工具调用延展。DeepSearch 与 Report Agent 维护并追加到一个共享推理上下文，里面既有当前 agent 的思考，也有 agent 之间的互联信息；再配一个工具记忆模块记录与外部环境的交互。这样下游 agent（如 Report）能访问被检索信息的完整出处（full provenance），让报告生成更忠实、更有据可依。

举例：DeepSearch #1 查"某车企 2024 财报毛利率"时把"数据来自财报第 18 页"写进 XoT/工具记忆；Report Agent 写到该数字时可直接回溯这条出处挂引用，而不必凭空复述。

数据合成：知识图谱反推多跳难题 + 真实 query 混合

训练信号主要来自一条 KG-grounded 的多跳问题合成管线（图 4 共四阶段：子图采样 → 多跳 QA 生成 → 条件混淆与合理性评估 → 推理有效性过滤）：

• 图谱构建与子图采样：从百度百科 + 英文维基 + 网页树构建统一知识图谱，按实体-属性关系采样节点与路径。子图采样强制三条约束——推理可达性（reasoning reachability，每一跳都对应真实搜索环境里可检索/可验证的条件）、路径必要性（path necessity，掐掉中间节点与答案的直接关联，杜绝捷径，保证每一跳都贡献必要信息）、结构独立性（structural independence，多分支子图各分支语义与结构独立，避免跨分支关联降低组合复杂度）。三者共同保证子图"可推断、不可简化、可验证"。
• 多跳 QA 生成：给定子图结构，让强 LLM 把显式结构关系转成隐式的自然语言 QA，并约束问题全面覆盖关键子图信息、紧绑解题路径与图结构。
• 条件混淆与合理性评估：为提难度而不降可解性——把低价值属性与其它条件组合或替换成更具区分度的描述、弱化过于直白的线索逼模型"合成多个条件"，但要求混淆后语义与原文一致、并持续监控对答案唯一性的影响。

  举例：原本"X 公司 CEO 是谁"太直白，混淆成"那家在 2024 年发布了某款增程车型、总部位于北京的车企，其现任 CEO 是谁"——逼 agent 多跳定位再作答。

• 质量过滤：先用直答测试剔除"无需多步推理就能答"的题；再做条件合理性 / 推理合理性过滤去掉逻辑矛盾或缺乏真实检索支撑的样本；最后 QA 语义一致性过滤结合自动打分 + 人工审计，只放高质量样本进训练集。

合成数据虽可控，但"知识图谱 query 的采样空间受语料覆盖约束、对稀有实体分布偏移、能力未必迁移到真实用法"。因此 MindDR 把 KG 合成 query 与真实用户 query 按校准比例混合，在可控性与生态效度（ecological validity）间取平衡；其中一部分真实 query 进一步策展成 MindDR Bench。各阶段的具体数据：SFT 约 12K 高质量轨迹（KG 轨迹 60% / 真实场景 35% / 人标难例 5%）；Search-RL 约 35K 合成 query，并在生成时抽取关键实体集 $\mathcal{E}=\{e_1,\dots ,e_M\}$ 供 PRM 串匹配验证用；Report-RL 复用 SFT 轨迹语料，派生长式（含 query / 系统提示 / 上游检索数据 / 大纲 / RACE Rubrics / 参考报告）与短式（省去上游检索、参考报告新合成）两种格式以平衡保真度与数据效率。

训练流水线：为何分四阶段，每阶段攻什么

MindDR 不做端到端 RL，而把训练拆成四阶段课程，并明确给出三条设计原则：

• 奖励可处理性（reward tractability）：端到端单一奖励要同时覆盖工具正确性、推理质量、报告连贯性、主观偏好，"必然稀疏且嘈杂、跨几十步做 credit assignment 不可解"；分阶段把它拆成每阶段稠密、定义良好的信号。
• 能力依赖（capability dependency）："RL 探索需要 SFT 给的稳定格式遵循；报告质量受 Search-RL 的检索完整度制约；偏好对齐又预设前序阶段已产出功能正确的输出"——顺序即依赖链。
• 数据效率（data efficiency）：每阶段只用为其目标能力策展的数据，免去昂贵的端到端轨迹标注。

图源：MindDR Team (Li Auto), Mind DeepResearch Technical Report（arXiv:2604.14518）Figure 3——四阶段训练流水线、动态数据合成与 AI-Infra（用于学习注解，版权归原作者）。

阶段①：SFT 冷启动——长上下文格式正确率当早停信号

SFT 提供"行为冷启动"，靠在专家轨迹上做行为克隆建立工具调用、ReAct 格式遵循、多轮推理三项基础能力。训练目标是标准自回归 loss（每步预测思考 $T_t$ 与动作 $A_t$，工具不在训练时执行、observation $O_t$ 作上下文输入）：

\mathcal{L}_{\text{SFT}}(\theta) = -\mathbb{E}_{(x,H)\sim\mathcal{D}_{\text{SFT}}}\left[\sum_{t=1}^{T_H} \log \pi_\theta(T_t, A_t \mid x, H_{\lt t})\right]

它"理论上优化 RL 策略梯度目标的一个下界、提供合理的初始策略分布"。难点在 SFT 训练量与后续 RL 效果之间有反直觉的权衡：训不够（20–40K 样本）长上下文格式遵循差、早期 RL 有效轨迹不足 30%；训过头（>200K 样本）虽近乎完美格式正确，但过拟合专家轨迹表层模式、RL 采样高度同质、熵快速坍缩、梯度信号消失。课程上用长度自适应安排：早期以 ~8K 短样本为主稳格式，逐步引入 32K–64K（约 30%）与 128K（约 15%）数据并做位置编码微调，把 128K 上下文格式正确率从 72% 提到 94%。

据此 MindDR 用长上下文格式正确率当早停指标：RL 时每 query 采 $G=8$ 条、至少需 2 条有效轨迹才能稳定估 group advantage；按二项分布，"≥2 次成功的概率 ≥0.95"要求格式错误率 $p\le 0.0253$。于是每 10K 步测 64K 与 128K 的格式错误率，当二者与训练 loss 都跌破阈值且策略熵不低于中训练值的 90% 时触发早停——通常落在 100K–150K 样本，取"能力与可塑性的最优平衡"。

阶段②：Search-RL——四信号奖励 + 阈值触发系数调度

Search-RL 在真实工具环境里在线 RL，专攻 DeepSearch Agent 的长程推理与搜索效率，把能力从"基本工具调用"渐进推到"复杂长程推理"，且不设硬阶段边界——靠动态调度奖励权重与数据难度，在单一连续训练过程里完成，规避硬分段带来的超参敏感与能力退化。基础算法是 GRPO：每个 query 采 $G$ 条轨迹算 group-relative advantage $\hat{A}(x,H_i)=R(x,H_i)-\frac{1}{G}\sum _{j}R(x,H_j)$。但作者发现 GRPO 在 MoE 上不稳——专家稀疏激活下，"旧策略采样轨迹激活的专家路径会与当前策略不一致，违反重要性采样假设、引入大梯度偏差"；试过 "Routing Replay" 强制激活同一批专家仍不稳，故 MoE 改用 GSPO，把重要性比从 token 级提到序列级并做长度归一化：

s_i(\theta) = \left(\frac{\pi_\theta(y_i\mid x)}{\pi_{\theta_{\text{old}}}(y_i\mid x)}\right)^{1/|y_i|} = \exp\left(\frac{1}{|y_i|}\sum_{t=1}^{|y_i|}\log\frac{\pi_\theta(y_{i,t}\mid x, y_{i,\lt t})}{\pi_{\theta_{\text{old}}}(y_{i,t}\mid x, y_{i,\lt t})}\right)

序列级比值"天然对局部专家路由变化做平均、压住 MoE 稀疏激活引起的比值抖动"，让 clip 约束稳定生效、避免搜索能力退化。

四类奖励信号（均由 LLM-as-Judge 3 模型二值打分、多数投票聚合）：

• 工具调用奖励 $r_{\text{tool}}(t)$：成功 +0.1；连续失败 −0.2；孤立失败 −0.1（用更强的负惩罚加速规避易错行为）。
• 格式奖励 $r_{\text{format}}(t)$：正确 +0.1、错误 −0.2。
• 过程奖励 PRM：对关键实体集 $\mathcal{E}$ 做串匹配——某实体 $e_j$ 在任一步的推理 $T_t$ 或工具返回 $O_t$ 中出现即记一分，$R_{\text{PRM}}(H)=\frac{1}{M}\sum _{j=1}^M{\hat{e}}_j$。亮点是"无需任何 LLM 推理来验证，低成本可扩展、提供稳定的中间过程监督"。
• 结果奖励 ORM：终答正确性 $R_{\text{ORM}}(H)\in \{0,1\}$，同样走 LLM-as-Judge 多数投票。

合成总奖励 $R(x,H)={\lambda }_{\text{ORM}}{R}_{\text{ORM}}+{\lambda }_{\text{PRM}}{R}_{\text{PRM}}+\frac{1}{T}\sum _t[{\lambda }_{\text{tool}}{r}_{\text{tool}}(t)+{\lambda }_{\text{format}}{r}_{\text{format}}(t)]$，四系数和为 1、各在 $[0,0.5]$。阈值触发调度是核心：初始 $({\lambda }_{\text{tool}},{\lambda }_{\text{format}},{\lambda }_{\text{PRM}},{\lambda }_{\text{ORM}})=(0.6,0.3,0.1,0.0)$，分三阶段推进——工具调用饱和后降 ${\lambda }_{\text{tool}}$、把权重转给 ${\lambda }_{\text{PRM}}$；格式稳定后降 ${\lambda }_{\text{format}}$；PRM 覆盖成熟后主导权移交 ${\lambda }_{\text{ORM}}$。这种"每个能力在其合适训练阶段才获得集中监督"的安排，呈现出从基础技能到深度推理的"grokking"式进阶（图 5）。配套的动态数据把难度采样调到让 ORM 准确率维持在 10%–50% 的"有效学习区"：低于 10% 任务太难、奖励稀疏，高于 50% 太易、收益递减。

图源：MindDR Team (Li Auto), Mind DeepResearch Technical Report（arXiv:2604.14518）Figure 5——Search-RL 的奖励分量、系数调度与总奖励曲线，动态调度显著优于固定系数（用于学习注解，版权归原作者）。

工程上 Search-RL 跑在 Li-veRL（扩展 veRL）上：做专家路由优化与负载均衡稳住 MoE 训练，配异步轨迹生成 / 异步工具调用拿到相对原生 veRL 的 2.9× 加速；所有工具走统一入口做流控、异常重试与结果缓存，把工具错误率压到 <0.1%。工具上模型可用三类检索——内部知识检索（自研搜索引擎 + 数百亿级高质量内部知识库，在汽车/科技/金融等公司相关域覆盖更好且降调用成本）、外部网络检索（按 query 内容与类目自动路由到 Sogou/Bing/Quark）、学术文献检索，外加网页爬取与文档处理做全文深读。

阶段③：Report-RL——RACE Rubrics 主奖励 + 引用/格式辅助奖励

Report-RL 专攻 Report Agent 的长文生成质量：用 LLM-as-Judge 按结构化 RACE Rubrics（全面性 / 可读性 / 洞察 / 指令遵循）打分作主奖励，再叠两个可由规则检测的辅助奖励（指导原则是：能用规则查的当 RL 辅助奖励，需整体 LLM 判断的留到偏好对齐阶段）：

• 引用奖励 $R_{\text{cite}}$：设 $n_{\text{gen}}$ 为生成报告引用数、$n_{\text{ref}}$ 为参考报告引用数、$n_{\text{valid}}$ 为有效引用数（描述与所引段落相关度超阈值 $\tau$）。引用充足且有效（$n_{\text{gen}}\ge 0.7n_{\text{ref}}$ 且 $n_{\text{valid}}\ge 0.7n_{\text{ref}}$）记 +0.1；充足但有效性差记 −0.1；引用不足记 −1（重罚）。
• 格式奖励 $R_{\text{format}}=-(v_{\text{tag}}+v_{\text{md}}+v_{\text{ref}})\in [-3,0]$：分别对应 <final_answer> 标签缺失、Markdown 格式错误（列表编号、表格渲染等）、引用格式错误三类二值违规独立惩罚。

总奖励 $R_{\text{Report}}=R_{\text{RACE}}+{\lambda }_c{R}_{\text{cite}}+{\lambda }_f{R}_{\text{format}}$。优化算法上，Dense 骨架用 DAPO——它相对 GRPO 有四项改进：token 级策略梯度（按总 token 数归一、消除跨长度梯度失衡）、非对称裁剪（${\epsilon }_{\text{low}}<{\epsilon }_{\text{high}}$，给上行探索更大空间、抑制熵坍缩）、去掉 KL 约束（放开奖励空间探索）、动态采样过滤（丢掉全对或全错的 group 保证非平凡 advantage）。MoE 骨架同样因路由敏感而改用 GSPO。论文还指出 Report-RL 的核心难点"不是它能否提升报告质量（能），而是提升的同时前序 DS 能力被保住多少"——消融显示 GSPO/DAPO 这类序列级方法在"提报告质量"与"少回退搜索能力"间平衡最好，GRPO 则会造成明显更大的 DS 退化。

阶段④：偏好对齐——DPO 修硬伤 + Self-SFT 提表达

RL 奖励主要由可量化指标驱动，对"需要整体 LLM 判断、无法用简单规则定义"的体验问题无能为力——时态不一致、语气不自然、段落转折突兀、结论与检索内容不符等。偏好对齐阶段用自采样保持训练数据与模型自身分布一致：对每个输入采多份输出 $\{y_1,\dots ,y_K\}$，经 LLM-as-Judge + 规则检测双信号加权打分，切成高质量集 ${\mathcal{D}}^{+}$ 与低质量集 ${\mathcal{D}}^{-}$。两个互补方法：

• DPO（偏好对比）：用 $(x,y^{+},y^{-})$ 对优化策略相对参考策略的对数概率边际，${\mathcal{L}}_{\text{DPO}}(\theta )=-\mathbb{E}[\log \sigma (\beta \log \frac{{\pi }_{\theta }(y^{+}\mid x)}{{\pi }_{\text{ref}}(y^{+}\mid x)}-\beta \log \frac{{\pi }_{\theta }(y^{-}\mid x)}{{\pi }_{\text{ref}}(y^{-}\mid x)})]$。专攻最结构化、最可客观判定的硬伤——用 1.8K 时态数据 + 2.8K 表格修复数据修时态错误与表格错误。
• Self-SFT（静态数据上的强化）：直接在 ${\mathcal{D}}^{+}$ 上微调，${\mathcal{L}}_{\text{Self-SFT}}(\theta )=-{\mathbb{E}}_{(x,y^{+})\sim {\mathcal{D}}^{+}}[\log {\pi }_{\theta }(y^{+}\mid x)]$，被理解为"reinforcement on static data"——用高质量自采样样本当监督信号、保留 on-policy 特性，但比在线 RL 成本更低、收敛更稳。用 4.3K 高质量自采样报告提连贯性与文体一致性。

两法都只用模型自己的样本造数据，把分布调整约束在模型已有输出空间内，避免策略被拉向未探索区域、破坏 SFT/RL 积累的搜索与写作能力。

实验结果：DS 五榜领跑同规模 + 自建 MindDR Bench 报告质量登顶

MindDR Bench 与模块化评测

针对现有深研基准"中文真实 query 稀缺、且多依赖单一宏观 RACE 分、对长流程中间模块无细粒度反馈"两大缺口，MindDR 建 MindDR Bench：从理想智能助手 Livis 真实日志挖出 500 条深研 query，经"SOTA LLM 预筛 + 专家标注"两阶段混合过滤，覆盖汽车、出行、科技、金融等 16 个领域。配套提出 MindDR Module Evaluation——不止看内容 RACE，还把流水线拆成四个模块打过程指标：

评测模块	指标	评测项
推理轨迹 Reasoning Trajectory	思考效率	反思轮数 / 搜索 query 重复率
工具调用 Tool Call	工具使用正确性	各工具使用占比 / 工具调用失败率
大纲生成 Outline Generation	大纲逻辑正确性	大纲标题缺失率 / 目录层级错误数
报告生成 Report Generation	内容逻辑正确性	时态错误率 / 有效格式表格率

Benchmark 表现（以原文为准）

DeepSearch 五榜（Table 2）：MindDR 评了两个骨架——MindDR-v1.5-30B-A3B（Qwen3-30B-A3B MoE）与 MindDR-v1.5-32B（Qwen3-32B Dense），并与上一代 MindDR-v1.0（仅 RFT 训练）对比：

模型	BrowseComp-ZH	BrowseComp	xbench-DS	GAIA-DS	WideSearch
MindDR-v1.5-30B-A3B	45.7	42.8	75.0	70.9	44.0
MindDR-v1.5-32B	35.6	14.8	64.0	67.1	46.5
MindDR-v1.0-32B	28.4	18.6	13.3	50.3	41.3
Tongyi-DR-30B-A3B	43.2	40.7	69.0	68.9	41.7
WebShaper-32B	28.0	33.5	53.0	54.4	35.2
MiroThinker-v1.5-30B-A3B	31.9	30.4	5.0	23.3	37.9

• 在同规模开源 agent 系统里，MindDR-v1.5-30B-A3B 取得 BrowseComp-ZH / BrowseComp / xbench-DS / GAIA-DS 四项最佳，MindDR-v1.5-32B 拿下 WideSearch——说明增益跨骨架泛化、非单点过拟合；整体"逼近或超过更强的基座式 baseline、明显优于同规模开源 agent"。

报告类基准——MindDR Bench RACE（Table 3）：

模型	RACE	全面性	洞察	指令遵循	可读性	引用准确
MindDR-v1.5	51.77	52.17	51.77	50.55	52.18	80.25%
Gemini 3.1	49.65	49.83	50.75	49.32	46.89	77.20%
Gemini 2.5 Pro	48.34	47.56	46.88	49.47	50.23	81.86%
MindDR-v1.0	44.33	44.72	39.49	47.58	47.66	82.14%
Kimi	45.20	46.08	40.60	47.94	47.53	75.01%

• MindDR-v1.5 在 RACE 总分及全面性/洞察/可读性多维领跑、超过 Gemini 3.1/2.5 Pro；唯一"略逊"的是引用准确率——上一代 MindDR-v1.0 反而最高（82.14%），作者据此指出"报告质量优化与引用忠实度优化相关但不完全同向"。在公开 DeepResearch Bench 上（Figure 8）MindDR-v1.5 五维全部居首，对应 abstract 报的 52.5 总分。
• 效率（Figure 9）：在 BrowseComp-ZH 上，MindDR-v1.5-30B-A3B 稳居"Accurate & Efficient"象限——在头部模型中平均工具调用数与上下文 token 最省，却拿最高分；在 16k–128k 上下文限制、8–64 工具调用限制下都保持领先。
• 消融：Report-RL 长式 + 短式混合优于纯长式（RACE 48.82→50.60）；偏好对齐阶段 DPO 把表格错误 2.70%→1.22%、时态错误 6.2%→2.0%，Self-SFT 再把表达/逻辑问题率 1.8%→0.3% 并把 DeepResearch Bench 50.07→51.77；时态错误率（Table 8）MindDR-v1.5 2.0% 为全场最低（Kimi 3.2% / Gemini 10.2% / Doubao 14.0% / MindDR-v1.0 11.4%）。

一如本章惯例：这些分数口径、时点、工具配置、test-time 设置各异，跨系统直接比绝对值意义有限，当作"同期 30B 档深研能力的量级参照"即可。

在 Deep Research 谱系里的位置

• vs Tongyi / REDSearcher / Step-DeepResearch：四者都在 ~30B 档走"专门训练深研 agent"。MindDR 的特色是 (a) 推理侧三 agent 显式分工（规划/深搜/报告）+ XoT 跨 agent 共享记忆 + (b) 训练侧搜索/报告各自独立 RL（Search-RL / Report-RL）的四阶段流水线 + (c) 刻意移除 mid-training、用极低训练成本（~1.03B token、6K 卡时）见效，且已上线理想自家智能助手。对照看 Step-DeepResearch：它正相反，坚持单 agent ReAct、把四类"原子能力"内化进一个模型、用 agentic mid-training（32K→128K）→ SFT → PPO 三阶段——一个"分工多 agent + 砍掉 mid-training"，一个"单 agent + 保留 mid-training"，是同档位的两条对照路线。Tongyi 强调全自动数据合成 + agentic mid/post-training，REDSearcher 强调任务难度形式化 + 本地闭库低成本 RL。
• vs DR-Rubric / AgentDisCo：MindDR 的 Report-RL 用 RACE Rubrics 作奖励、MindDR Bench 用多维 rubric 评分，与 DR-Rubric（把"造 RL 奖励 rubric"当深研任务）、Step 的 checklist Judger 思路一致——开放式深研越来越靠"多维 rubric/checklist"而非单一分数。AgentDisCo 不训底座、在强通用模型上做 agent 编排，与 MindDR"从训练侧造模型"互补。
• 方法上的两个可迁移点：① 用实体串匹配 PRM（无 LLM 推理）做廉价的 step-level 过程奖励，配阈值触发的奖励系数调度实现"grokking"式渐进，是低成本 agentic RL 的实用范式；② 发现 GRPO 在 MoE 上因专家路由漂移而不稳、改用序列级 GSPO，对所有在 MoE 上做 agentic RL 的工作都有参考价值。
• 整体定位与"国产/开源刷榜竞赛"背景见 Deep Research 总览。