这项由北京智源人工智能研究院和清华大学等机构联合开展的研究发表于2026年2月的ArXiv预印本平台（论文编号：arXiv:2602.06540v1），有兴趣深入了解的读者可以通过该编号查询完整论文。研究团队开发了一个名为AgentCPM-Report的创新系统，彻底改变了AI生成深度研究报告的方式。

当我们谈论AI写研究报告时，大多数人可能会觉得这是个很复杂的技术问题。但实际上，这个研究解决的是一个非常贴近人类写作体验的问题。回想一下你写毕业论文或工作报告的过程，你是先列好详细大纲再严格按照大纲写作的吗？还是在写作过程中不断发现新的想法，然后调整大纲和内容？大部分人的经历都是后者——写作本身就是思考的过程，在写的时候才会发现哪些地方需要更深入探讨，哪些逻辑需要调整。

然而，现有的AI系统却采用了"先做计划再执行"的机械化方式。这些系统就像是严格按照菜谱做菜的厨师，一旦菜谱定了，就不允许中途调整，即使发现某种调料不够或者火候不对。这种僵化的工作方式导致AI生成的报告往往结构完整但内容浅薄，缺乏真正的洞察力。

更关键的是，目前最优秀的深度研究系统都依赖于动辄千亿参数的大型模型，比如GPT-4或Gemini这样的闭源系统。这就像是只有超级计算机才能完成的工作，普通人或小公司根本无法负担。特别是当你需要处理敏感或私密数据时，必须将这些信息上传到云端处理，这带来了巨大的隐私和安全风险。

一、写作即推理：颠覆传统的WARP框架

研究团队提出的核心创新是WARP（Writing As Reasoning Policy）框架，这个名字本身就很形象——写作如同推理。这个框架的核心理念是让AI在写作过程中不断思考和调整，就像人类作者一样。

在传统的AI写作系统中，整个过程分为两个完全独立的阶段：制定详细计划，然后严格执行。这就像是要求一个建筑师在没有实地勘察的情况下就画出完美的建筑蓝图，然后工人必须严格按照蓝图施工，即使发现地基有问题也不能调整。显然，这种方式很难产生高质量的结果。

WARP框架完全改变了这种工作模式。它让AI在两种状态之间不断切换：证据驱动的起草（Evidence-Based Drafting）和推理驱动的深化（Reasoning-Driven Deepening）。这个过程更像是一个经验丰富的记者在写深度报道——先收集基础信息写出初稿，然后在写作过程中发现哪些地方需要更多证据支撑，哪些论点需要进一步展开，于是再去收集更多信息，调整文章结构，如此循环往复。

具体来说，AI首先会根据用户的需求生成一个粗略的大纲，这个大纲只包含主要章节的标题和简要写作意图，而不是详细到每个段落的内容规划。然后，AI开始填充这些章节的内容。在写作过程中，AI会评估当前的草稿质量，判断哪些部分论述不够深入或者逻辑不够连贯。一旦发现这样的问题，AI就会进入"深化模式"，重新搜索相关信息，将原来的章节分解为更细致的小节，然后继续写作。

这个过程的巧妙之处在于，AI不是盲目地扩展内容，而是基于已经写出的文字来判断哪些地方真正需要深化。就像一个好的导师在审阅学生论文时，能够准确指出哪些地方论述不充分，哪些地方需要更多的实例支撑。

二、小模型的逆袭：多阶段智能体训练策略

仅仅有好的框架还不够，要让只有80亿参数的小模型掌握这种复杂的写作技能，需要特别设计的训练方法。研究团队开发了一套多阶段智能体训练策略，这个过程就像是培养一个新手记者成为资深专家的完整培训计划。

第一阶段是"冷启动"训练，类似于给新记者进行基础的新闻写作培训。在这个阶段，AI学习基本的指令遵循能力和格式规范，就像学会如何写标准的新闻稿。研究团队使用了大约33000个高质量的写作样本来训练模型的基础能力。

第二阶段是原子技能强化学习，这就像是分别训练记者的各项专业技能：如何做背景调研（检索能力）、如何组织文章结构（规划能力）、如何写出引人入胜的段落（写作能力）、如何判断何时收手（决策能力）。研究团队为每种能力都设计了专门的奖励函数。比如，对于规划能力，系统会评估生成的大纲是否逻辑清晰、层次分明；对于写作能力，系统会检查段落是否与引用的资料保持一致，是否有足够的深度和新颖性。

第三阶段是整体管道强化学习，这相当于让记者在真实环境中完成完整的报道任务。在这个阶段，AI不再依赖事先准备好的标准答案，而是根据最终生成报告的整体质量来调整自己的策略。这个阶段特别重要，因为它让AI学会了全局优化——知道什么时候应该深入挖掘某个话题，什么时候应该适可而止。

训练过程中最巧妙的一个创新是"轨迹修剪"策略。研究团队发现，即使是大型的教师模型也不知道什么时候应该停止扩展内容，经常会无休止地添加细节或者过早结束。为了解决这个问题，他们让教师模型强制性地生成多个版本的报告，每个版本的详细程度都不同，然后评估这些版本的质量，选择最好的那个版本作为训练目标。这就像是让一个经验丰富的编辑从记者提交的多个草稿中选择最佳版本。

三、从实验室到现实：全面的性能验证

为了验证这个系统的实际效果，研究团队在三个不同的基准测试上进行了全面评估。这些测试涵盖了从学术研究报告到商业咨询分析的各种场景，就像是让这个AI系统参加多个不同类型的写作比赛。

在DeepResearch Bench这个专门测试博士级别研究任务的基准上，AgentCPM-Report展现出了令人惊讶的性能。这个测试包含了22个学术领域的100个复杂任务，相当于让AI完成真正的博士论文级别的研究工作。结果显示，仅使用80亿参数的AgentCPM-Report在洞察力指标上得到了52.64分，超过了使用更大模型的Gemini-2.5-Pro-deepresearch系统的49.45分。这就像是让一个资历较浅的记者在深度报道比赛中战胜了资深记者。

更重要的是，研究团队通过详细分析发现，这种性能提升主要来自于系统的"推理驱动深化"能力。传统系统在写完初稿后就基本定型了，而AgentCPM-Report能够在写作过程中不断发现新的研究角度和连接点。比如，在写一篇关于人工智能对人际关系影响的报告时，系统可能在写作过程中意识到需要从认知心理学和社会学两个不同角度来分析这个问题，然后自动调整文章结构，添加相应的章节。

在商业咨询场景的DeepConsult测试中，AgentCPM-Report同样表现出色。这个测试模拟了真实的商业分析任务，要求AI生成具有实用价值的商业研究报告。结果显示，与基于OpenAI系统的基线相比，AgentCPM-Report的胜率达到了57.60%，败率只有28.68%。这意味着在大多数情况下，这个小模型系统生成的报告质量都超过了大型商业AI系统。

四、技术细节：让复杂变简单的工程智慧

虽然WARP框架的理念听起来很直观，但要在技术上实现却需要解决许多复杂的问题。研究团队在论文中详细描述了这些技术细节，每一个都体现了深思熟虑的工程智慧。

首先是状态表示问题。在每个写作循环中，AI需要同时跟踪用户查询、当前大纲、已写内容和检索到的背景信息。这就像是一个记者需要同时记住采访主题、文章框架、已写段落和收集的素材。研究团队将这些信息统一编码为一个全局状态，让AI能够在不同写作阶段之间保持连贯性。

动作空间的设计也很巧妙。AI可以执行五种基本操作：初始化（生成基础大纲）、搜索（获取相关信息）、写作（生成内容）、扩展（细化大纲结构）和终止（完成写作）。这些操作的组合可以产生复杂的写作行为，就像是用简单的积木搭建复杂的建筑。

特别值得注意的是终止决策机制。AI需要学会判断什么时候应该停止写作，这是一个非常困难的问题，因为没有标准答案告诉系统什么样的报告长度是"刚好"的。研究团队通过分析报告的语义密度和逻辑连贯性来训练这种判断能力，让AI能够在内容充分和过度冗余之间找到平衡点。

在实际部署方面，研究团队还考虑了效率问题。他们将报告结构限制在三个层级以内，并且限制了最多12次的深化操作。这些限制确保了系统能够在合理的时间内完成任务，同时避免了无限循环的风险。

五、从理论到应用：真实世界的影响

这项研究的意义远远超出了技术层面的创新。它代表了AI系统设计哲学的重大转变——从机械化的执行模式转向更加人性化的思考模式。

在实际应用中，这种变化会产生深远的影响。首先，它大大降低了高质量AI写作系统的门槛。以前只有大型科技公司才能提供的深度研究服务，现在中小企业甚至个人用户都可能拥有。这就像是从需要大型主机才能运行的软件变成了人人都能使用的手机应用。

更重要的是，这种本地化的AI系统解决了数据隐私和安全的重要问题。企业可以在自己的服务器上部署这样的系统，处理敏感的商业信息而不用担心数据泄露。学术研究者也可以用它来处理机密的研究数据，而不需要将这些信息上传到云端。

从用户体验的角度来看，WARP框架生成的报告更加贴近人类的阅读期望。由于系统在写作过程中会不断发现和探索新的角度，最终的报告往往包含意想不到的洞察和连接，而不是简单的信息堆砌。这就像是阅读一篇由经验丰富的记者写出的深度报道，而不是由机器拼凑的信息摘要。

研究团队在论文中还展示了一个具体的案例，说明系统是如何在写作过程中发现新的研究方向的。在写一篇关于AI对人际关系影响的报告时，系统最初的大纲只包含了技术影响和社会影响两个部分。但在写作过程中，系统意识到还需要从认知心理学的角度分析这个问题，于是自动添加了相关章节，并搜索了相关的理论框架如"计算机即社会行为者"理论。这种动态的内容发现能力是传统静态规划系统无法实现的。

六、挑战与局限：诚实面对现实问题

尽管AgentCPM-Report取得了令人印象深刻的成果，研究团队也诚实地承认了当前系统的局限性。这种坦诚的态度体现了严谨的学术精神，也为未来的改进指明了方向。

首先是内容呈现的问题。目前的系统主要关注文本内容的生成，对于表格、图表等复杂格式的处理能力有限。在许多专业报告中，数据可视化是传达信息的重要方式，但现有的AI系统在这方面还需要人工干预。研究团队建议将内容生成和格式渲染分离，用专门的渲染模块来处理复杂的版面设计。

信息源的局限性也是一个现实问题。目前系统主要依赖预先构建的文本数据库，虽然包含了280万篇学术论文摘要和网页摘要，但在时效性和覆盖范围上仍有不足。特别是对于快速发展的技术领域或者需要最新数据的商业分析，系统可能无法提供足够新鲜的信息。

评估标准的主观性也是一个值得关注的问题。虽然研究团队使用了多个基准测试和不同的评判模型，但报告质量的评估本质上带有主观色彩。不同的读者对于什么是"高质量"的报告可能有不同的标准。

七、未来展望：技术进步的下一步

研究团队在论文结尾部分详细描述了未来的研究方向，这些方向既体现了技术发展的必然趋势，也反映了对用户需求的深刻理解。

多模态内容生成是一个重要的发展方向。未来的系统需要能够处理图像、视频、音频等多种媒体形式，生成真正的多媒体研究报告。这不仅仅是技术挑战，也涉及到如何在不同媒体形式之间保持内容的连贯性和逻辑性。

个性化定制是另一个值得期待的功能。不同的用户对报告的风格、深度、关注点都有不同的需求。未来的系统可能会学习用户的偏好，自动调整写作风格和内容重点。比如，学术研究者可能更关注方法论的严谨性，而商业用户可能更看重实用性和可操作性。

实时更新能力也是一个重要的改进方向。随着信息更新速度的加快，AI系统需要能够动态地获取最新信息，更新已有的报告内容。这就像是让报告成为一个"活文档"，能够随着新信息的出现而自动演进。

说到底，这项研究代表了AI技术发展的一个重要里程碑。它证明了通过巧妙的算法设计和训练策略，小型模型也能够实现以前只有大型模型才能完成的复杂任务。更重要的是，它展示了AI系统如何能够更好地模拟人类的思考过程，从机械化的执行转向创造性的探索。

对于普通用户来说，这意味着高质量的AI写作助手可能很快就会变得触手可及。无论是学生写论文、研究者做综述，还是企业分析师制作报告，都可能从这种技术中受益。而且由于系统可以完全在本地运行，用户不必担心隐私泄露或网络连接问题。

这项研究也提醒我们，AI技术的发展不应该只是简单的参数规模竞赛。通过更好的架构设计和训练方法，我们可以让AI系统变得更加高效、实用，也更加贴近人类的工作方式。这种发展方向对于AI技术的普及和可持续发展都具有重要意义。

Q&A

Q1：WARP框架和传统AI写作方法有什么根本区别？

A：传统AI写作采用"先制定详细计划再严格执行"的方式，就像严格按照菜谱做菜。而WARP框架让AI在写作过程中不断思考和调整，在"证据驱动的起草"和"推理驱动的深化"之间循环切换，更像人类作者在写作中发现新想法然后调整内容的自然过程。

Q2：AgentCPM-Report只用80亿参数就能超越大模型吗？

A：是的，在多个基准测试中AgentCPM-Report都展现了超越大型模型的性能。比如在洞察力指标上得分52.64，超过了Gemini-2.5-Pro-deepresearch的49.45分。这主要归功于WARP框架和多阶段训练策略，证明了巧妙的算法设计比简单的参数堆积更重要。

Q3：普通用户什么时候能用上这种本地AI写作系统？

A：研究团队已经在GitHub开源了相关代码，并在HuggingFace平台提供了模型下载。由于系统设计为完全本地运行，不依赖云端服务，理论上现在就可以部署使用。不过要达到消费级产品的易用性还需要一定时间的工程化开发。