QUEST: Training van Frontier Deep Research Agents met Volledig Synthetische Taken

Samenvatting

Diepgaande onderzoeksagenten breiden de rol van zoekmachines uit van het ophalen van trefwoord-overeenkomende pagina's naar het synthetiseren van kennis, wat fundamenteel verandert hoe mensen met informatie omgaan. Huidige geavanceerde systemen blijven echter propriëtair, terwijl bestaande open agenten vaak slecht generaliseren over verschillende taaktypen, waardoor onduidelijk blijft hoe een breed inzetbare diepgaande onderzoeksagent getraind kan worden. We publiceren QUEST, een familie van open modellen (variërend van 2B tot 35B) die dienen als algemene diepgaande onderzoeksagenten, ontworpen om een breed scala aan langdurige zoektaken aan te kunnen, met sterke capaciteiten op het gebied van feitenonderzoek, citatie-verankering en reportsynthese. Om QUEST te bouwen, stellen we een effectieve trainingsreceptuur voor die mid-training, supervised fine-tuning en reinforcement learning combineert. Centraal in dit recept staat een gecureerde datasynthese-pijplijn gebaseerd op uniforme rubriekbomen, die toepasbaar is op verschillende taaktypen en het mogelijk maakt om trainingsdata met verifieerbare beloningen te synthetiseren zonder menselijke annotatie. Daarnaast bevat QUEST een ingebouwd contextbeheermechanisme dat effectief langdurig redeneren en kennissynthese mogelijk maakt. Met slechts 8K gesynthetiseerde taken benadert of overtreft QUEST huidige propriëtaire gesloten bron-agenten op acht diepgaande onderzoeksbenchmarks die diverse taaktypen beslaan, en behaalt het de beste algehele prestaties onder recente open-gewicht agenten. We hebben alles gepubliceerd: modellen, data en trainingsscripts.

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.