我们最常见的对大模型的知识进行蒸馏的方法，是针对一些有明确输入和输出的任务，比如写几行符合规范的代码，抽取一些实体，翻译一段文本等等。这些任务因为天生有明确的正确或错误的界定标准，所以我们可以直接给它非常明确的指令，让它用某种特定的格式来回答。但是对于一些比较耗时且复杂的research tasks来说，单步对齐的方法就不适用了。
研究能力的难点在于，它的边界很难界定。面对一个模糊的问题，人类需要理清思路、搜索各种资料、阅读长篇报告、对细节进行比对、发现矛盾证据需要推翻重来、更换关键词搜索，最终将各种证据整合成令人信服的结论。工程上无法获取成千上万小时的高质量人类操作录像，没有这些现成的人类探索录像，传统的模仿学习从一开始就缺乏最关键的数据基础。
那问题就简化成一个：蒸馏的前提是有示范数据，可示范数据从哪来？真人实录这一条已经堵死了。让大模型直接连真实网络边做边录，是剩下最顺理成章的路，但它自己就先欠着一笔账，下一节算。而造数据听起来自由度最大，真做起来会撞上一堵更硬的墙：研究不是数学题，既没法程序化出题，也没法机械判对错，一条数据好不好，连个能写进代码的准绳都没有。三条路堵了两条半。EMNLP 2026 主会上发表的 OpenResearcher 论文，来自德州农工大学、滑铁卢大学等机构的联合团队，要回答的就是这最后一个问题。
真要让大模型直接联网去解难题、把轨迹录下来，工程账本头一个通不过。几千道种子题想凑出几十万条可用训练样本，前前后后得调上百万次网络搜索；要是直接走商业搜索接口，光检索这一项就要花几千美元，换个贵点的接口账单还得再翻几倍。更要命的是公网网页天天在变，今天改版、明天超时下线，昨天录出来的搜索结果今天就对不上，整个训练数据流根本没法稳定复现。
团队的解法是把整个信息环境整个搬回本地。他们从公开题库里挑出数千道种子题，按题目和参考答案一次性抓回上万篇核心证据文档，再把这些内容混进上千万篇公开网页里，在本地搭出一套不用联网的高并发检索系统。这个封闭考场不仅把高昂的搜索账单彻底抹平，还保证了每次检索给出的结果完全确定，随时都能复现。
考场搭好后，该让答题教师上场了。团队拉来了开源权重模型 GPT-OSS-120B，给它配了搜索、打开网页和页内查找三项基本操作，放它在封闭考场里自己找路解题。64 块 H100 连轴转了大约两天，教师模型跑了近十万次探索，把怎么查线索、怎么读长文献，以及线索断了之后怎么换关键词重搜，全都完整记录了下来。
拿到这批详尽的做题录像，后头教学生的环节就省事多了。学生模型挑了英伟达开源的轻量架构，每一步推理实际激活的参数只有 3B 上下。团队没搞复杂的在线试错，训练这步反而没什么花样：几块卡跑一晚，轻量底座把教师的解题步骤从头到尾模仿一遍，在短短几小时内就把这套成体系的研究动作学到了手。
先来看一下实验结果。这里用的评测基准是开源的 BrowseComp-Plus。BrowseComp-Plus 把 830 个深度问答题和大约十万篇人工核验过的文献放在本地，进行断网离线搜索，来测试长程搜索和多跳推理的能力。在没有进行任何专门训练之前，一个轻量级的底层模型在这个基准上只能拿到二十多分。但在看过教师模型的探索录像之后，这个每一步激活参数都非常少的小模型得到了 54.8 分的成绩。而 GPT-4.1 和 Claude-4-Opus 这些商业旗舰，在完全相同的受控检索环境下也只能拿到 36 分左右。
小模型的高分并非死记硬背题目答案的结果。消融实验显示一个有趣的细节：即使特意挑选教师模型最终答错的失败路径进行微调，小模型仍然能拿到 55.06 分的分数，与使用正确路径的训练结果几乎一样。小模型学到的行动策略是：检索落空就换词重试，去长篇文献里定位证据；具体题目的答案本身，没有被背下来。
反过来，这也说明为什么最聪明的一般大模型在长程测试中表现不佳。基准的官方数据表明，如果不做任何搜索，直接把包含答案的黄金文档放进上下文中，GPT-4.1 的准确率可以达到 93.5%。旗舰模型本身并不缺乏推理能力，之所以在测试中得分偏低，是因为它没有养成在未知环境中不断使用工具、反复排查证据的行为习惯。
但单纯模仿行为的适用场景是有明确限制的。论文里的消融实验显示，只要把本考场最初的黄金文档从文档堆里拿掉，模型的成绩会掉到 6.35 分。在同一个作者发表的 AgentFlow 论文中，如果面对真实动态互联网，仅仅通过监督微调模仿轨迹，成绩也会降到 19.5 分，只能靠在线强化学习持续探索试错。这两个对照实验说明：信息环境和工具接口完全固定，单纯模仿行为才真正省力。
顺着这套工程实践捋下来，能得出一个大胆的读法：这本质上是对前沿大模型高阶行为能力的一场低成本蒸馏。深度研究能力长久以来是闭源大模型的独门资产，普通开发者只能按 token 付费去调接口；而 OpenResearcher 证明了只要找对路子，完全能把顶级能力从大模型里低成本蒸馏出来。想跑通这场蒸馏，手里得攥住三个硬前提：第一，能自托管一个开源大模型当教师，随时在本地自由采样；第二，想学的研究行为能分拆成一串连续的工具调用动作；第三，自己得有能力搭出封闭考场，并且能跑通自动判分。
这三个前提把过去模型研发的成本账本彻底翻了过来。在大家的固有印象里，训模型才是最吃算力、最烧钱的大头；但在这条管线里，教小模型做监督微调反而成了白菜价，几块卡跑一晚就能交工。整套体系里真正值钱、也真正构成护城河的，反而是前期理文献、设计工具原语花掉的环境工程心血，以及顺着这套环境攒下来的海量高质量行为轨迹。
行业大厂的跟进动作印证了轨迹确实是硬通货。英伟达把这批合成轨迹用作自家新旗舰 Nemotron 3 Ultra 的微调数据之一，官方合成数据平台 NeMo Data Designer 也集成了这套生成思路。这个动作把话挑明了：权重本身会过时，能持续从顶级模型蒸馏行为的那条管线，连同攒下的轨迹，才是能一直复用的家底。
这套蒸馏打法能效确实惊人，但真要算账，还得看清客观的技术边界。小模型的上限始终扣在教师模型手里，学生并没有发生什么实质跃迁；在权威基准的官方大榜上，新一代通用旗舰 GPT-5 的得分已经冲破 70 分，通用智能上的代差依然摆在那里。
另外，模型的高分表现极度依赖特定的考场环境。现在的闭卷库主要处理事实类信息检索，这套轻量模型一旦走出熟悉的受控考场、直接扔进真实公网评测，得分立刻滑落到 26.3 分，明显落后于同行靠大规模强化学习磨出来的专业模型；再者，截至目前公开技术圈还没有第三方独立复现过这个结果，开源的数据层也卡着非商用授权的红线。
把这些边界条件摆在一块，要不要自己搭这套管线，可以理出四条硬杠杠：业务场景必须得长期高频复用；任务必须有一套客观明确的自动判分办法；平时的翻车瓶颈要卡在搜索和浏览这些具体的决策动作上，而不是检索漏召回或者工具挂掉这类基建问题；业务依赖的信息环境能用较低成本打包和重置。只有这四条全对得上，花算力去搭本地考场、把大模型的研究经验蒸馏进私有小模型，ROI 才是划算的；而面对全是未知变量、需要大量即兴推理的开放任务，老老实实调用商业大模型接口，依旧是确定性最高的那条路。