Step-DeepResearch（阶跃 StepFun）：原子能力数据合成 + 三阶段训练的单 agent 深研

📄 Step-DeepResearch Technical Report

2025-12 · 阶跃星辰 StepFun Agent-Team · 代码

一句话：阶跃 32B 单 agent ReAct 深研模型——靠"原子能力数据合成 + agentic mid-training→SFT→RL 三阶段 + checklist Judger"把中等规模模型做到专家级深研，ResearchRubrics 61.42（单 agent 第一、总榜仅次 Gemini），单篇成本不到顶级商用的 1/10。

📖 论文原文 Abstract（英文）

As Large Language Models (LLMs) shift toward autonomous agents, Deep Research has emerged as a pivotal metric for assessing the core competitiveness of agents. However, existing works primarily focus on academic multi-hop search tasks with ground truth, such as BrowseComp, which often struggle to satisfy user demands for open-ended research tasks in real-world scenarios. Open-ended research not only demands robust retrieval capabilities but also challenges the agent's comprehensive skills in latent intent recognition, long-horizon decision-making, multi-turn tool use, logical structuring, and cross-source verification. To address this, we introduce Step-DeepResearch, a cost-effective, end-to-end Deep Research agent model. We propose a novel Data Synthesis Strategy Based on Atomic Capabilities, aimed at reinforcing underlying capabilities in planning, information seeking, reflection, and report writing. In terms of the training paradigm, we construct a progressive path from agentic mid-training to supervised fine-tuning and reinforcement learning. Combined with a Checklist-style Judger reward design, this approach significantly improves robustness across diverse scenarios. Furthermore, to address the lack of evaluations reflecting real-world demands in the Chinese domain, we establish ADR-Bench, a Chinese benchmark for realistic Deep Research scenarios. Experimental results demonstrate that Step-DeepResearch, with only 32B parameters, achieves a high score of 61.42 on the Scale AI ResearchRubrics. In expert human evaluations on ADR-Bench, its Elo score significantly outperforms comparable models and rivals state-of-the-art proprietary services such as OpenAI DeepResearch and Gemini DeepResearch. These findings prove that through a refined training scheme, medium-sized models can achieve expert-level Deep Research capabilities. With extremely low deployment and inference costs, Step-DeepResearch stands as the most cost-effective Deep Research agent model currently available in the industry.

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

图源：StepFun, Step-DeepResearch Technical Report（arXiv:2512.20491）Figure 1——左图成本-效率、右图 ADR-Bench Elo 雷达（用于学习注解，版权归原作者）。

动机与创新点：search ≠ research，用原子能力 + 三阶段训练做单 agent 深研

Step-DeepResearch 的核心论点是 "search is not research"——多跳 QA（BrowseComp、GAIA 一类）有标准短答案、优化的是"检索准确率"，容易把 agent 训成高效的"网页爬虫"；而真正的研究是意图分解 → 规划 → 工具使用 → 跨源验证 → 综合成结构化报告的迭代过程。作者据此把深研重新建模为"在一组原子能力上的长程决策"：自适应规划、信息收集与跨源验证、反思纠错、创造性写作。提升可用性的关键，不在于在外面套更复杂的工作流编排，而在于把专家式的认知闭环训进模型内部，让它边做边自检、自我修订。

这与本章 Tongyi DeepResearch、小红书 REDSearcher、理想 Mind DeepResearch 同处一条"不靠堆参数、靠训练 + 数据把 ~30B 压榨到深研 SOTA 级"的战线；差异点在于 Step-DeepResearch 坚持单 agent ReAct（不依赖多 agent 协调或重工作流），把所有能力都内化进一个 32B 模型。

关键创新：

• 原子能力数据合成：把深研拆成规划 / 深搜 / 反思验证 / 报告四类"原子能力"，各自设计针对性的数据合成管线（逆向工程、知识图谱、错误-反思闭环、多 agent 教师），补的是能力而非刷分。
• 三阶段渐进训练：agentic mid-training（32K→128K 两段课程）→ SFT → RL，把训练目标从"预测下一 token"重塑为"决定下一原子动作"。
• Checklist 式 Rubrics Judger：把开放式报告质量转成原子化、可验证的 rubric 打分作 RL 奖励，并用非对称二值化消除中间档噪声。
• 单 agent ReAct，不靠多 agent：所有能力内化进一个 32B 模型，部署/推理成本极低（单篇约 0.5 RMB，不到顶级商用 1/10）。
• 自建 ADR-Bench：填补中文真实场景深研评测的空白（人评 + rubric 双轨）。

方法：原子能力数据合成 + 三阶段训练 + 单 agent ReAct

数据合成：把深研拆成四类"原子能力"分别造数据

深研的核心难点，作者概括为"弥合预训练与任务特定优化之间的决策鸿沟"（bridging the decision-making gap between pre-training and task-specific optimization）：预训练给了海量世界知识，但后训练要模型在一个巨大的动作空间里做长程复杂推理。直接在 token 级动作空间 ${\mathcal{A}}_{\text{token}}$ 里探索，论文指出不仅算力昂贵，还会"因分支因子随序列长度指数增长而把模型困在局部最优"。于是把训练目标——

reshaping the training objective from "predicting the next token" to "deciding the next Atomic Action."

原子能力被定义为"一组可迁移的高层动作抽象，构成紧凑动作子空间 ${\mathcal{A}}_{\text{atomic}}\subset {\mathcal{A}}_{\text{token}}$"。数据构造的目标是找一个最优子空间，同时最小化两类误差：

\min(\epsilon_{\text{pruning}} + \epsilon_{\text{RL}})

${ϵ}_{\text{pruning}}$ 是"剪掉潜在最优解"的近似误差，${ϵ}_{\text{RL}}$ 是"在该子空间里做后续规划 / RL 的难度"——子空间砍太狠会丢好解，留太宽又难训，要取 Pareto 最优。具体落到四类原子能力，各建一条数据合成管线：

① 规划 & 任务分解 —— 逆向工程合成（Reverse Engineering）

规划要求模型"把模糊或宽泛的用户请求拆成可执行子任务，并据环境反馈动态调路线"。高质量规划数据稀缺，作者反其道而行——拿现成的"完美规划结果"反推。选材是开放获取的技术报告、学术综述、金融研报，因为它们"本质上是复杂研究任务的最终产物，内含隐式的规划逻辑"（essentially the final output of complex research tasks and contain implicit planning logic）。三步：

1. 取报告标题+摘要（或正文），抹掉具体实验细节与结果数据；
2. 让 LLM 反推"当初可能导向这篇报告的初始项目任务"，得到一个高难 query；
3. 把摘要结构当作"事后诸葛（hindsight）"，合成一份引导全程的高层 Plan——这保证"生成的规划路径有极高可行性与逻辑性，可作推理时的强约束"。

最后做轨迹一致性过滤："为 agent 生成执行轨迹、计算其与预设 plan 的对齐度，过滤掉虽完成任务但显著偏离 plan 的轨迹"，只学严格遵循已知 hindsight 的执行过程。

举例：拿一篇"固态电池正极材料综述"，抹去其中容量/循环寿命等数据，反推出任务"调研近年固态电池正极的技术路线与瓶颈"，再用综述章节骨架当"标准研究大纲"，让模型学"这类调研该怎么规划"。

② 深搜 & 信息检索 —— 图谱合成 + 多文档合成

深搜要的是"多跳推理、挖掘隐藏实体、信息不全时主动拓扑游走"的能力，两条管线造数据：

• 图谱合成：在 Wikidata5m / CN-DBpedia 上做受控子图采样。先选度数 3–10 的非通用实体作种子（避免起点太孤立或太宽泛），以它为中心 BFS 扩出 10–40 个节点的子图；对度数超阈值（如 >1000）的超级节点截断当叶子，防语义漂移。关键一步是不直接拿三元组出题——因为知识图谱三元组"常有损、有时过时"，所以"对子图每条边，都把三元组当 query 再搜一次，核验并忠实扩展其信息"，最后基于这个"已验证、结构合理的子图"让 LLM 生成一个"需要多跳搜索与推理的模糊复杂问题"。

  举例：子图链「导演 A —执导→ 电影 B —主演→ 演员 C —出生于→ 城市 D」，不会直接问"C 出生在哪"，而模糊成"执导了 B 的那位导演，其影片男主角的出生城市是哪？"——逼 agent 一跳跳查下去。

• 多文档合成：用自建 Wiki-doc 索引，借其天然超链接结构，从随机实体出发、few-shot 引导一个搜索 agent 在文档索引内做"拓扑游走"——"在不预知目标的前提下顺着超链接挖信息，直到步数上限或信息足够"，再把沿途节点汇总、反向生成 (Query, Answer)。

产出的题还要过难度过滤：用 QwQ-32b 当筛子——"凡 QwQ-32b 在默认 ReAct 下能解的，都算简单题、剔除"。理由很妙：QwQ-32b 与本工作同底座、同预训练知识，但缺 agent 专项训练，所以"它能解的就是不需要专项训练的简单任务"。

③ 反思 / 验证 / 交叉校验 —— 错误-反思闭环 + 多 agent 教师

长程推理要模型能"自我纠错（Self-Correction）"和"判断网络信息真伪（Fact-Checking）"，两条闭环造数据：

• 错误-反思闭环："专家模型生成初步轨迹 → 验证结果 → 多轮反思"。答案对则直接作正样本入库；不对则"构造 prompt 让模型基于错误结果做反思，保留历史记忆后重试，最多迭代 3 次"。对最终反思成功的轨迹做后处理清洗——"移除『根据用户提示（according to user hints）』之类人工诱导痕迹，使输出看起来完全是模型自发的内省与纠错"。
• 深度验证工作流（多 agent 教师）：从脱敏真实数据清洗出数千个 (段落, 判定结果) 对作种子，用一个多 agent 教师工作流模拟专家核验、把完整路径录成轨迹。五个协作 agent：
  • Extract：对输入做事实分解，抽出时间、地点、主体、核心数据、因果事件，转成一个个独立"验证点"；
  • Plan：判断每个验证点要不要查、该查什么来源，按逻辑依赖排计划；
  • Verify：真正调搜索工具+模型，做多源检索与交叉验证；
  • Replan：动态调路线，"及时总结已得信息、调整方向，减少冗余搜索"；
  • Report：汇总，对每个验证点给出"支持 / 反驳 / 存疑"结论 + 完整引用证据。 最后把"(验证点, 结论, 证据)"当三元组喂给 judge，"验证报告结论是否与证据逻辑自洽"，确保学到的是"既事实准确、又逻辑严密"的验证范式。

④ 报告生成 —— mid-training 学风格、SFT 学格式

报告写作"不只是文本生成，而是把零散信息做结构化重组"，分两段：

• mid-training 重"领域风格与内容深度"：用 (Query, Report) 对，报告取自严格筛选的高质量人写报告（金融研报、深度综述），query 由前述逆向工程得到；这阶段"专注学怎么像专家一样组织语言、引用数据、展开有深度的论证"，不纠结具体搜索过程。
• SFT 重"指令遵循与格式规范"：要求报告"严格遵循预设 plan 结构"，做对齐检查、过滤偏离样本；对"轨迹质量高但报告格式差"的样本，"用专门的 System Prompt 基于末轮状态重新生成报告"，保证最终产出在内容与格式上都精确响应需求。

三阶段训练流水线（Qwen2.5-32B-Base 起步）

① Agentic Mid-training（两段式课程）

底座选 Qwen2.5-32B-Base，作者明说是为"在性能、算力成本、可复现之间取平衡"——保留接近大模型的核心能力与长上下文（128K），又大幅降低"多阶段训练与系统性消融"的门槛，使"性能提升能更直接归因于所提的训练范式与数据策略"，便于社区复现。中训练走由短到长、由纯知识到带工具的课程，分两段：

• 32K 段（注知识、不碰工具）：在纯文本、不引入工具调用下注入规划、信息检索、反思、报告四类原子能力，"确保模型在纯文本条件下先长出稳健的理解与推理能力"。数据覆盖：主动阅读（通用：维基/百度百科的 QA+改写；学术：论文）、合成知识（PleIAs SYNTH）、摘要、推理、反思。跑约 150B tokens，期间 SimpleQA +1.26% / TriviaQA +2.30% / FRAMES +10.88%（结构化/agentic 推理涨得最多），且"150B 处曲线仍未收敛，说明还有空间"。
• 128K 段（扩上下文、引工具）：上下文扩到 128K、引入显式工具调用，数据更贴实战——URL QA、深搜步骤（搜索步+工具调用）、Web 浏览（web 导航+工具调用）、规划、长文摘要、推理、反思、通用对话。此阶段要模型"不只生成连贯的中间推理，还要学会何时、如何选择并调用外部工具，并把返回结果整合进后续推理"。

图源：StepFun, Step-DeepResearch Technical Report（arXiv:2512.20491）Figure 2——32K 中训练的性能随 token 数变化，FRAMES 提升最显著、曲线未收敛（用于学习注解，版权归原作者）。

② Post-training SFT

从"单独教能力"转向"把原子能力组合成端到端全链路轨迹"——用严格清洗的高质量全链路轨迹，"把已有原子能力系统性地接成高效、鲁棒、深度对齐深研需求的行为模式"。数据分两类：深搜（多跳、有 ground-truth）与深研（开放式，覆盖意图理解→规划→交叉验证→报告全流程，带严格引用）。四条清洗策略：

• 轨迹效率优化：奉行"正确且最短（correct and shortest）"——成功轨迹里只留推理步数最少、工具用得最省的，"鼓励用有效推理替代冗余搜索、以最小代价获取信息"；
• 鲁棒性 / 噪声控制：故意保留一部分含工具失败（空搜索结果、工具报错）但随后正确"反思-纠错"的轨迹，这种"结构化噪声注入防止模型在真实网络不稳定时崩掉"，并教会它处理异常；
• 认知模式去重：严格 N-gram 去重，剔除过度重复或退化成 loop 的低质轨迹，保证推理行为多样灵活；
• 严格引用对齐：把 \cite{} 引用格式写进 SFT 数据，让模型养成"在关键信息点附来源"的写作范式，保证可追溯、对齐专业研究标准。

③ Reinforcement Learning（PPO）

前两阶段靠合成/蒸馏数据，本质是模仿 teacher、无法靠与真实环境试错改进。RL 把模型直接接入真实多工具环境（带检索缓存：相同 query 复用结果；并对工具调用数与总 token 设预算，把训练控在可预测的资源范围）。每个深研任务当一个 RL episode：先做意图分析、复述用户 query，再产分步计划、围绕子问题组织工具调用与信息收集，交叉验证多源证据，最后写完整报告；episode 终止时由 Rubrics Judge（见下节）打分作终端奖励。算法用 PPO，沿 Open-Reasoner-Zero 实践把 GAE 取 $\gamma =1,\lambda =1$（不折现、不额外平滑，简化长程稀疏奖励下的 credit assignment）。为何不用无 critic 的策略梯度？作者解释 learned critic 能"识别并下调重复 loop 等坏模式、给出更可靠的 token 级价值信号"，这在"奖励无法细分到中间决策（检索策略、证据选择、结构化写作）"的深研场景尤其关键，可避免策略坍缩成粗糙的"整体好/坏"拟合。训练约 300 步内奖励曲线稳定上升。

图源：StepFun, Step-DeepResearch Technical Report（arXiv:2512.20491）Figure 3——RL 训练奖励随步数稳定上升（用于学习注解，版权归原作者）。

Checklist 式 Judger：把"报告打分"做成可扩展奖励

RL 的奖励来自一个 Rubrics Judge（checklist 式 Judger）——把"开放式报告好不好"拆成一串原子化、可验证的检查项打分。三个关键设计：

造任务 + rubric：两步逆向合成。 RL 需要大量"(任务, rubric)"数据，但高质量 rubric 采集贵。作者用"两步逆向合成"绕开：

• 第一步：少量高质量样例+模板引导强 LLM 生成一个"隐藏任务摘要（hidden task summary）"，同步产出一组细粒度 rubric——每条 rubric 是"含评估维度与重要性权重的原子标准，要求具体、可验证、实际可用"，且被标上**显式 / 隐式 / 负向（加分或扣分）**的角色；
• 第二步：基于这组 rubric 反推真实用户 query，并重新评估每条 rubric 的角色——"若初始与最终的角色判定有出入，整条样本作废"，确保合成 query 真正承载 rubric 里的关键维度、覆盖显式与隐式需求。

再加一道目标一致性校验：一个独立 judge 检查"隐藏任务摘要、rubric、合成任务"三者是否一致、有无矛盾，给总一致性分决定去留。

Judge 自己也要训。 让大模型按完整 rubric 逐条打分，"每样本要数十次推理才能覆盖所有维度，大规模 agentic RL 下算力与时延都吃不消"。于是先用强模型在 (Query, Rubrics, Report) 三元组上产出分数+解释当监督信号，训一个小 Rubrics Judge，经两阶段——SFT（学评分逻辑与解释风格、打基础判别力）+ RLVR（强化输出格式一致性与打分鲁棒性）。它是 RL 阶段主要的奖励提供方，把成本压进可接受预算。作者还点出一个洞见：rubric 本身的质量，往往比 judge 模型的绝对水平更决定"打分能否对齐人类专家"。

非对称二值化奖励。 最初按"完全满足 / 部分满足 / 不满足"三元映射到 $\{1,0.5,0\}$，但发现"『部分满足』这个中间档在不同强模型之间、以及 LLM 与人类专家之间的一致性最低"，会带来不稳定的奖励信号、削弱模型遵守约束的能力。于是按 rubric 极性折成二值：

• 正向 rubric：只有"完全满足→1"，"部分满足"与"不满足"都并为 0——贯彻"不完全满足就不给奖励（no reward unless fully satisfied）"，防模型靠低质生成钻空子；
• 负向 rubric：只有"完全不满足→0"，"部分满足"与"完全满足"都并为 1——任何偏离都罚，逼模型避开不良行为。

举例（金融/法律场景）：正向 rubric「报告是否引用了与本案相关的《民法典》对应条款」——只有完整引对才得 1；负向 rubric「报告是否把诉讼时效算错」——只要算错一点就触发扣分。报告最终奖励 = 各 rubric 判定 × 其权重（权重可正可负）之和。这种非对称二值映射消除了中间档噪声，"让奖励信号更可区分、加速向专家对齐的收敛"。

系统架构：单 agent ReAct + 专用工具集

Step-DeepResearch 刻意走单 agent ReAct——"用一个精简的 ReAct 单 agent，而非复杂的多步编排或多 agent 协作"，把复杂深研变成 <think>→<toolcall>→<tool_response> 的迭代闭环，循环三相：

• 规划与反思：先识别用户意图、定行动计划；之后每轮"自发回看此前结果、对照目标校验当前状态，实现动态自纠错"；
• 工具执行：把计划翻成具体动作，选最合适的工具发起精确的数据获取；
• 反馈与交叉校验：新工具返回注入下一轮推理，agent"对照历史上下文做交叉验证——解决冲突、过滤虚假——搭起逻辑严密的证据链"。

图源：StepFun, Step-DeepResearch Technical Report（arXiv:2512.20491）Figure 4——单 agent ReAct 循环 + 专用工具集（用于学习注解，版权归原作者）。

由模型自行决定探索深度直到出报告。工具系统按三条哲学设计——能力对齐（给到和人在电脑上做研究相当的操作力）、信息适配（结构化、高密度地组织反馈，显式考虑上下文窗口约束与失败恢复）、架构精简（功能相近的工具尽量合并）。核心组件：

• 权威增强检索（batch_web_surfer）：专业团队评出 600+ 权威站点（政府域名、行业研究机构、国际组织、顶级学术平台）建独立索引分片，"物理且逻辑上把权威内容与低质 SEO 垃圾隔开"；面向 2000 万+ 长文文献按段落级粒度索引，"召回特定语义段落，以更低 token 拿更高密度信息"；排序阶段加权威 boosting，相关性接近时优先权威源。
• 文件即外部记忆（file）：patch 补丁式编辑——只给改动片段+少量锚点，工具用模糊匹配做原子更新，"长报告局部润色省 70%+ 输出 token"；隐式上下文管理——工具结果超阈值就截断、只注入高密度摘要，原文落盘、按需 file.read 分页，"把上下文压力卸到磁盘，等效近无限上下文"。
• 有状态待办（todo）：把复杂 CRUD 收进统一入口、按任务栈自动判定 create/rewrite/destroy，"把研究进度从模型权重里解耦、持久化到工具层"，防长程研究中的目标漂移。
• 交互执行与多模态感知：所有命令在受限 MCP 沙箱里跑、集成 tmux 持久会话以稳定操作 vim 等带状态刷新的命令行程序；抗扰浏览器用 PHash 感知哈希算连续截图的视觉差异，"页面几乎没变就抑制图像反馈、退回纯文本流，大幅减少多模态 token 冗余"；并配 file_parser（文档解析）、asr（音频转写）、analyze_image（图像分析）处理非结构化研究材料。

实验结果：ResearchRubrics 61.42 + 自建 ADR-Bench

ADR-Bench：面向真实中文场景的深研基准

针对现有学术基准（BrowseComp/GAIA/HLE 偏"闭卷短答"、覆盖不足）的缺口，作者建 ADR-Bench（Application-driven Deep Research Benchmark）：

• 110 条 query，9 个领域（法律、计算机与 IT、教育、金融商业、科学工程、社会生活、文艺、医疗、政治），分两轨：
  • 通用域（70 条，每域 10 条）：开放式、无单一标准答案，用人类盲评 side-by-side 对比（左好/右好/都好/都一般/都差 + 信息完整性 / 内容深度 / 需求贴合 / 可读性四子维），引入参照锚降低主观不确定性。
  • 专业域（40 条，金融 & 法律各 20）：专家造题 + 交叉校验的 rubric 自动评，且引入显式负向扣分——专家认定的致命/专业性错误直接判该报告"零分不可用"。
• 配套总结了一套构造 rubric 的五原则（原子性 / 可验证 / 无歧义 / 独立性 / 对齐核心任务需求）与领域分割经验（深研约 6–12 个领域较合理）。

Benchmark 表现（以原文为准）

ResearchRubrics（Scale AI，三元打分、温度 0、三次取均值）：Step-DeepResearch 61.42，在 ReAct/单 agent 类中第一，总榜仅次于商用 Gemini DeepResearch，超过 OpenAI DeepResearch。

系统	ResearchRubrics 分	类型
Gemini DeepResearch	63.69	商用 agent 系统
Step-DeepResearch（32B）	61.42	单 agent ReAct
OpenAI DeepResearch	60.67	商用 agent 系统
Kimi-k2-thinking	56.17	ReAct
MiniMax-M2	55.35	ReAct
Kimi-Researcher	53.67	商用 agent 系统
DeepSeek-V3.2	53.14	ReAct
GLM-4.6	52.80	ReAct
MiniMax Agent Pro	51.85	商用 agent 系统
Qwen DeepResearch	49.24	商用 agent 系统

• 成本：单次调用约 0.50 RMB，而 Gemini ≈6.65、OpenAI ≈5.32 RMB——不到顶级商用系统的 1/10，仍保 SOTA 级性能。
• 维度拆解：隐式标准 54.5 / 显式标准 72.0 / 引用质量 57.0（与 Gemini 并列第一）/ 沟通质量 58.2（全场最佳）；指令遵循 64.9 略逊 Kimi-Researcher 66.7。
• ADR-Bench 人评（N=70）：对比自己的未 mid-training 版取得 30 胜 / 19 平 / 21 负——印证 mid-training 对齐了人类对复杂报告质量的偏好；对 Gemini 30 胜 / 17 平 / 23 负，对多数对手胜率高于负率。
• ADR-Bench 金融&法律（严格负向扣分）呈三梯队：Tier 1 仅 Gemini；Tier 2：Step-DeepResearch、Kimi-Researcher、Kimi-k2-thinking、OpenAI DeepResearch；Tier 3 其余。作者称在严格负向扣分下，差距更多来自模型自身领域知识覆盖而非 agent 框架优化，Step 凭金融/法律的领域训练进入第二梯队、与更大模型掰手腕。

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 32B 档单 agent 深研能力的量级参照"即可。

在 Deep Research 谱系里的位置

• vs Tongyi / REDSearcher / Mind DeepResearch：四者都在 ~30B 档走"专门训练深研 agent"。Step 的特色是 (a) 把深研显式拆成四类原子能力分别造数据 + (b) agentic mid-training（32K→128K 两段课程）→ SFT → PPO 三阶段 + (c) 坚持单 agent ReAct 不靠多 agent；理想 Mind DeepResearch 则相反，用规划/深搜/报告三 agent 分工 + Search-RL/Report-RL 分块 RL，可对照阅读。
• vs DR-Rubric / AgentDisCo：Step 的 Rubrics Judge 与 DR-Rubric（把"造 RL 奖励 rubric"当深研任务）思路相通——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 Step"从训练侧造模型"互补。
• 整体定位与"国产/开源刷榜竞赛"背景见 Deep Research 总览。