⚡️ Deep Research без интернета? Теперь это возможно. OpenResearcher — это полностью офлайн-пайплайн для генерации длинных исследовательских траекторий (100+ шагов), которые имитируют реальный процесс работы агента в интернете: search → open → find → анализ → вывод. И всё это: - без API поиска - без ограничений по rate limit - без нестабильности результатов - полностью воспроизводимо Что под капотом: - GPT-OSS-120B генерирует исследовательские цепочки - Локальный поисковик + корпус 10 трлн токенов - 15 млн документов FineWeb - 10 000 «золотых» отобранных источников - Явные примитивы браузинга (поиск, открытие, извлечение), а не просто retrieve-and-read - Reject sampling — сохраняются только успешные длинные траектории Почему это важно? Главная проблема обучения research-агентов — длинные цепочки действий. Обычные датасеты короткие и не учат модель думать на горизонте десятков шагов. Здесь результат впечатляет: SFT на этих траекториях повышает точность модели Nemotron-3-Nano-30B-A3B с 20.8% → 54.8% на BrowseComp-Plus (+34% абсолютного прироста) Что это значит для индустрии: - Deep-research агентов можно обучать без дорогих онлайн-запросов - Появляется воспроизводимое обучение tool-use - Можно масштабировать генерацию «мышления через действия» - Это шаг к стабильным автономным исследовательским AI Открытое релизнули всё: - Код, поисковик и рецепт корпуса - ~96K длинных исследовательских траекторий - Логи оценки - Обученные модели - Онлайн-демо GitHub: https://github.com/TIGER-AI-Lab/OpenResearcher Models & Data: https://huggingface.co/collections/TIGER-Lab/openresearcher Demo: https://huggingface.co/spaces/OpenResearcher/OpenResearcher Eval logs: https://huggingface.co/datasets/OpenResearcher/OpenResearcher-Eval-Logs