月之暗面「调教」出最强Agent，在人类最后一场考试拿下最新 SOTA

机器之心报道

编辑：杨文、泽南

昨天，月之暗面发了篇博客，介绍了一款名为 Kimi-Researcher 的自主 Agent。

这款 Agent 擅长多轮搜索和推理，平均每项任务执行 23 个推理步骤，访问超过 200 个网址。它是基于 Kimi k 系列模型的内部版本构建，并完全通过端到端智能体强化学习进行训练，也是国内少有的基于自研模型打造的 Agent。

GitHub 链接：https://moonshotai.github.io/Kimi-Researcher/

在「人类最后一场考试」(Humanity's Last Exam) 中，Kimi-Researcher 取得了 26.9% 的 Pass@1 成绩，创下最新的 SOTA 水平，Pass@4 准确率也达到了 40.17%。

从初始的 8.6% HLE 分数开始，Kimi-Researcher 几乎完全依靠端到端的强化学习训练将成绩提升至 26.9%，强有力地证明了端到端智能体强化学习在提升 Agent 智能方面的巨大潜力。

Kimi-Researcher 还在多个复杂且极具挑战性的实际基准测试中表现出色。在 xbench （一款旨在将 AI 能力与实际生产力相结合的全新动态、专业对齐套件）上，Kimi-Researcher 在 xbench-DeepSearch 子任务上平均 pass@1 达到了 69% 的分数（4 次运行的平均值），超越了诸如 o3 等带有搜索工具的模型。在多轮搜索推理（如 FRAMES、Seal-0）和事实信息检索（如 SimpleQA）等基准测试中，Kimi-Researcher 同样取得了优异成绩。

举个例子。我们想找一部外国动画电影，但只记得大概剧情：

我想找一部外国的动画电影，讲的是一位公主被许配给一个强大的巫师。我记得她被关在塔里，等着结婚的时机。有一次她偷偷溜进城里，看人们缝纫之类的事情。总之，有一天几位王子从世界各地带来珍贵礼物，她发现其中一位王子为了得到一颗宝珠作为礼物，曾与当地人激烈交战。她指责他是小偷，因为他从他们那儿偷走了圣物。

随后，一个巫师说服国王相信她在撒谎，说她被某种邪灵附体，并承诺要为她“净化”，作为交换条件是娶她为妻。然后巫师用魔法让她变成一个成年女子，并把她带走。他把她关进地牢，但她有一枚可以许三个愿望的戒指。

由于被施了魔法，让她失去了逃跑的意志，她把前两个愿望浪费在了一些愚蠢的东西上，比如一块布或者一张床之类的……然后她好像逃出来了……并且耍了那个巫师一把……她后来还找到了一块可以生出水的石头……我记得还有人被变成青蛙……

整部电影发生在一个有点后末日设定的世界里，是一个古老魔法文明崩塌几百年之后的背景。如果有人知道这是什么电影，请告诉我。我一直在找这部电影，已经找了好久了。

[ 上下滑动查看更多 ]

Kimi-Researcher 就会根据给定的模糊信息进行检索，最终识别出该电影为《阿瑞特公主》，并一一找出该电影与剧情描述之间的对应关系。

此外，它还能进行学术研究、法律与政策分析、临床证据审查、企业财报分析等。

Kimi–Researcher 现已开始逐步向用户推出，可以在 Kimi 内实现对任意主题的深入、全面研究。月之暗面也计划在接下来的几个月内开源 Kimi–Researcher 所依赖的基础预训练模型及其强化学习模型。

端到端的智能体强化学习

Kimi–Researcher 是一个自主的智能体与思维模型，旨在通过多步规划、推理和工具使用来解决复杂问题。它利用了三个主要工具：一个并行的实时内部搜索工具；一个用于交互式网页任务的基于文本的浏览器工具；以及一个用于自动执行代码的编码工具。

传统 agent 开发存在以下几个关键限制：

• 基于工作流的系统：多智能体工作流将角色分配给特定智能体，并使用基于提示的工作流进行协调。虽然有效，但它们依赖于特定的语言模型版本，并且在模型或环境发生变化时需要频繁手动更新，从而限制了系统的可扩展性和灵活性。
• 带监督微调的模仿学习（SFT）：模仿学习能使模型很好地对齐人类演示，但在数据标注方面存在困难，尤其是在具有长时间跨度、动态环境中的智能体任务中。此外，SFT 数据集通常与特定工具版本强耦合，导致随着工具的演变，其泛化能力会下降。

端到端的智能体强化学习（agentic RL）训练的是一个能够整体性解决问题的单一模型：给定一个查询，智能体会探索大量可能的策略，通过获得正确解答的奖励进行学习，并从整个决策轨迹中总结经验。与监督微调（SFT）不同，端到端方法天然适应长程、基于当前策略的推理过程，并能动态适应工具与环境的变化；也不同于模块化方法，它将规划、感知、工具使用等能力融合在一个模型中统一学习，无需手工编写规则或工作流模板。

OpenAI 的 Deep Research 等先前研究也展示了这种方法的强大性能，但它也带来了新的挑战：

• 动态环境：即使面对相同的查询，环境结果也可能随时间发生变化，智能体必须具备适应不断变化条件的能力。目标是实现对分布变化的鲁棒泛化能力。
• 长程任务：Kimi–Researcher 每条轨迹可执行超过 70 次搜索查询，使用的上下文窗口长度甚至达数十万 token。这对模型的记忆管理能力以及长上下文处理能力提出了极高要求。
• 数据稀缺：高质量的用于智能体问答的强化学习数据集非常稀缺。该研究团队通过自动合成训练数据的方式解决这一问题，从而实现无需人工标注的大规模学习。
• 执行效率：多轮推理和频繁工具调用可能导致训练效率低下，GPU 资源利用不足。优化 rollout 效率是实现可扩展、实用的智能体强化学习训练的关键。

研究方法

Kimi–Researcher 是通过端到端的强化学习进行训练的。研究团队在多个任务领域中观察到了智能体性能的持续提升。图 2-a 展示了 Kimi–Researcher 在强化学习过程中整体训练准确率的变化趋势；图 2-b 则呈现了模型在若干内部数据集上的性能表现。

训练数据

为了解决高质量智能体数据集稀缺的问题，研究团队在训练语料的构建上采取了两种互补的策略。

首先，他们设计了一套具有挑战性的、以工具使用为核心的任务，旨在促进智能体对工具使用的深入学习。这些任务提示被刻意构造为必须调用特定工具才能解决 —— 从而使得简单的策略要么根本无法完成任务，要么效率极低。通过将工具依赖性融入任务设计中，智能体不仅学会了何时调用工具，也学会了在复杂的现实环境中如何高效协同使用多种工具。（图 3 展示了在这些训练数据中，模型对工具的调用频率。）

其次，他们策划并整合了一批以推理为核心的任务，旨在强化智能体的核心认知能力，以及其将推理与工具使用结合的能力。该部分进一步细分为以下两类：

• 数学与代码推理：任务聚焦于逻辑推理、算法问题求解和序列计算。Kimi–Researcher 不仅依赖思维链进行解题，还能结合工具集解决这类复杂问题。
• 高难度搜索：这类任务要求智能体在上下文限制下进行多轮搜索、信息整合与推理，最终得出有效答案。案例研究表明，这些高难搜索任务促使模型产生更深层的规划能力，以及更健壮、工具增强的推理策略。

为了大规模构建这一多样化提示集，研究团队开发了一条全自动数据生成与验证流程，可在极少人工干预下生成大量问答对，同时保证数据的多样性与准确性。对于合成任务而言，确保「准确的标准答案（ground truth, GT）」至关重要，因此他们引入了一种强大的 GT 提取方法，以尽可能确保每个问题都配有可靠的答案。

此外，他们还设计了严格的过滤流程，以剔除歧义、不严谨或无效的问答对；其中引入的 Pass@N 检查机制，可确保仅保留具有挑战性的问题。图 4 展示了基于两项实验结果的合成任务效果评估。

强化学习训练

该模型主要采用 REINFORCE 算法进行训练。以下因素有助于提升训练过程的稳定性：

• 基于当前策略的数据生成（On-policy Training）：生成严格的 on-policy 数据至关重要。在训练过程中，研究团队禁用了 LLM 引擎中的工具调用格式强制机制，确保每条轨迹完全基于模型自身的概率分布生成。
• 负样本控制（Negative Sample Control）：负样本会导致 token 概率下降，从而在训练中增加熵崩塌（entropy collapse）的风险。为应对这一问题，他们策略性地丢弃部分负样本，使模型能够在更长的训练周期中持续提升表现。

Kimi–Researcher 使用基于最终结果的奖励机制进行训练，以在动态训练环境中保持一致的偏好方向。

• 格式奖励（Format Reward）：如果轨迹中包含非法的工具调用，或上下文 / 迭代次数超出限制，模型将受到惩罚。
• 正确性奖励（Correctness Reward）：对于格式合法的轨迹，奖励依据模型输出与标准答案（ground truth）之间的匹配程度进行评估。

为了提升训练效率，研究团队在正确轨迹上引入了 gamma 衰减因子（gamma-decay factor）。该机制鼓励模型寻找更短、更高效的探索路径。例如，两条最终结果相同的正确轨迹，较短的那一条将因其前期行为更高效而获得更高奖励。

上下文管理

在长程研究任务中，智能体的观察上下文可能会迅速膨胀。如果没有有效的记忆管理机制，普通模型在不到 10 次迭代内就可能超过上下文限制。为了解决这一问题，研究团队设计了一套上下文管理机制，使模型能够保留关键信息，同时舍弃无用文档，从而将单条轨迹的迭代次数扩展至 50 次以上。

早期的消融实验表明，引入上下文管理机制的模型迭代次数平均提升了 30%，这使其能够获取更多信息，进而实现更优的任务表现。

大规模智能体RL infra

为应对大规模智能体强化学习在效率与稳定性方面的挑战，研究者构建了一套具备以下关键特性的基础设施体系：

• 完全异步的 rollout 系统：实现了一个具备扩展性、类 Gym 接口的全异步 rollout 系统。基于服务端架构，该系统能够高效并行协调智能体的轨迹生成、环境交互与奖励计算。相较于同步系统，这一设计通过消除资源空转时间显著提升了运行效率。
• 回合级局部回放（Turn-level Partial Rollout）：在 Agent RL 训练中，大多数任务可在早期阶段完成，但仍有一小部分任务需要大量迭代。为解决这一长尾问题，研究者设计了回合级局部回放机制。具体来说，超出时间预算的任务将被保存至 replay buffer，在后续迭代中以更新后的模型权重继续执行剩余部分。配合优化算法，该机制可实现显著的 rollout 加速（至少提升 1.5 倍）。
• 强大的沙盒环境：研究者构建了统一的沙盒架构，在保持任务隔离性的同时，消除了容器间通信开销。基于 Kubernetes 的混合云架构实现了零停机调度与动态资源分配。Agent 与工具之间通过 MCP（Model Context Protocol）进行通信，支持有状态会话与断线重连功能。该架构支持多副本部署，确保在生产环境中具备容错能力与高可用性。

智能体能力的涌现

在端到端强化学习过程中，研究者观察到 Kimi–Researcher 出现了一些值得关注的能力涌现。

• 面对多来源信息冲突时，Kimi–Researcher 能通过迭代假设修正与自我纠错机制来消除矛盾，逐步推导出一致且合理的结论。
• 展现出谨慎与严谨的行为模式：即便面对看似简单的问题，Kimi–Researcher也会主动进行额外搜索，并交叉验证信息后再作答，体现出高度可靠性与信息安全意识。

更详细的内容，可参阅原文。