QUEST : Entraînement d'agents de recherche profonde de pointe avec des tâches entièrement synthétiques

Résumé

Les agents de recherche profonde étendent le rôle des moteurs de recherche, passant de la récupération de pages correspondant à des mots-clés à la synthèse de connaissances, transformant fondamentalement la manière dont les humains interagissent avec l'information. Cependant, les systèmes de pointe restent propriétaires, tandis que les agents ouverts existants généralisent souvent mal sur différents types de tâches, laissant incertaine la méthode pour entraîner un agent de recherche profonde aux capacités étendues. Nous publions QUEST, une famille de modèles ouverts (de 2B à 35B) qui servent d'agents de recherche profonde polyvalents, conçus pour traiter une large gamme de tâches de recherche à long horizon, avec de fortes capacités de recherche de faits, d'ancrage des citations et de synthèse de rapports. Pour construire QUEST, nous proposons une recette d'entraînement efficace combinant pré-entraînement intermédiaire, fine-tuning supervisé et apprentissage par renforcement. Au cœur de cette recette se trouve un pipeline de synthèse de données organisées basé sur des arbres de rubriques unifiés, applicable à différents types de tâches et permettant de synthétiser des données d'entraînement avec des récompenses vérifiables sans annotation humaine. De plus, QUEST intègre un mécanisme de gestion de contexte intégré qui permet un raisonnement efficace à long horizon et une synthèse des connaissances. En utilisant seulement 8 000 tâches synthétisées, QUEST approche, voire dépasse, les agents fermés de pointe dans huit références de recherche profonde couvrant divers types de tâches, et obtient la meilleure performance globale parmi les agents ouverts récents. Nous avons tout publié : modèles, données et scripts d'entraînement.

English

Deep research agents extend the role of search engines from retrieving keyword-matched pages to synthesizing knowledge, fundamentally changing how humans interact with information. However, frontier systems remain proprietary, while existing open agents often generalize poorly across different task types, leaving unclear how to train a broadly capable deep research agent. We release QUEST, a family of open models (ranging from 2B to 35B) that serve as general-purpose deep research agents designed to handle a wide range of long-horizon search tasks, with strong capabilities in fact seeking, citation grounding, and report synthesis. To build QUEST, we propose an effective training recipe combining mid-training, supervised fine-tuning, and reinforcement learning. Central to this recipe is a curated data synthesis pipeline based on unified rubric trees, which applies to different task types and enables synthesizing training data with verifiable rewards without human annotation. In addition, QUEST incorporates a built-in context management mechanism that enables effective long-horizon reasoning and knowledge synthesis. Using only 8K synthesized tasks, QUEST approaches or even surpasses frontier closed-source agents across eight deep research benchmarks spanning diverse task types, and achieves the best overall performance among recent open-weight agents. We released everything: models, data, and training scripts.