LongCat-DeepResearch Technical Report
Meituan LongCat Team, He Zhu, Yue Xu, Wanli Wu, Haolin Ren, Yuxin Bian, Jiarui Zhao, Rongzhi Zhang, Quanchi Weng, Jinghao Cui, Yu Fan, Yuhan Liu, Yunhu Ye, Jiyuan Ren, Fengcheng Yuan, Zhao Yang, Jiacheng Zhang, Yuchuan Dai, Ruixuan Xiao, Haozhe Sun, Xiangyuan Liu, Cheng Sun, Yao Du, Yiming Hao, Hongbo Guo, Shuo He, Lei Wang, Xunliang Cai, Yan Chen, Fan Yang, Lingchuan Liu
cs.AI
2026-09-29
美团把早期深研迭代从全文改到可执行的 ResearchSpec,再并行调研、分节修订;公开三项 55.25、51.35、79.83 均超最强对照,内部榜 76.04 落后 ChatGPT 0.55。
开放式深研要 agent 去查尚未充分指定的问题,再写成带证据的长报告。证据需求没法在动手前一次列全:分析往前走会露出缺口,未决主张要再核,新问题也会冒出来。
现有系统把推理、检索、起草缠在一起,或者用一份不断长大的报告去指导下一步检索和改写。证据、中间推理和草稿会抢有限上下文,压缩可能丢掉当时还看不出用处的材料;早期发现会锚定叙事;整篇反复重写会把没被新证据碰到的段落也重新生成一遍。
核心问题是怎么让多个 agent 共享一份研究议程,同时保住写每一节所需的细检索,还不把全部调查塞进一份越写越长的草稿。
美团 LongCat-DeepResearch 把增强后的 LongCat 模型和一套研究 harness 绑在一起。核心动作是把早期迭代从整篇报告挪到一份可执行的研究规格 ResearchSpec 上。
全局协调靠短规格,细检索靠独立长上下文。规格在派工前改完,调研只在节内延伸,编辑协调文本但不再打开全局议程。
同一套阶段接口还用来造训练数据:从独立授权的综述或冻结的多源 brief 出发,构造问题与任务级 rubric,再跑 teacher 轨迹。这些数据和别的语料一起进 LongCat 通用模型的 mid-training 和 post-training。系统级分数没有拆开数据管线、数据源或训练阶段各自贡献了多少。
对照是三家官方 Deep Research 产品:Gemini-DeepResearch(Gemini 3.7 Flash)、ChatGPT-DeepResearch(GPT-5.6 Sol, xhigh)、Claude-DeepResearch(Claude Opus 5, xhigh)。公开三项评委分别是 GPT-5.5 medium(DeepResearchBench 与 II)和 Gemini 2.5 Pro(ResearchRubrics)。
| 系统 | DeepResearchBench | DeepResearchBench II | ResearchRubrics | 内部榜 |
| Gemini-DeepResearch | 50.21 | 46.72 | 64.92 | 42.49 |
| ChatGPT-DeepResearch | 54.95 | 47.16 | 74.21 | 76.59 |
| Claude-DeepResearch | 53.43 | 48.18 | 72.91 | 61.42 |
| LongCat-DeepResearch | 55.25 | 51.35 | 79.83 | 76.04 |
公开三项 LongCat 都最高,相对当时最强对照分别 +0.30、+3.17、+5.62。内部榜 76.04,比 ChatGPT 低 0.55。分析维 70.74,高于 ChatGPT 的 66.58;呈现维 52.99,远低于 ChatGPT 的 74.64。点估计,论文未做统计显著性检验。
公开榜的领先主要来自覆盖和分析,不来自好读。DeepResearchBench 可读性 49.96,低于 ChatGPT 的 51.51 和 Claude 的 51.35。DeepResearchBench II 的 analysis 60.69,比第二名 ChatGPT 的 52.26 高 8.43;presentation 83.13 低于 ChatGPT 的 86.98。ResearchRubrics 上 explicit、implicit、synthesis 领先,instruction following、citation quality、communication 各有至少一家对照更高。
Harness 贡献比模型升级更大。旧 LongCat(LongCat-2.0)加 ReAct 后直写,三项均分 47.04;同一旧模型换上当前 harness,均分到 58.05;再换成当前模型,到 62.14。开发集上完整管线均分 63.91;单 Writer 且去掉 Judge/Critic 后均分 59.56;整篇一个 Researcher 为 62.07;去掉 Editor 仍有 63.30。三个 Writer 经 Judge 合并后,ResearchRubrics 总分从 81.67 升到 85.13;再跑 Critic/Reviser,计划覆盖率还能升,报告总分却回落到 84.34 和 84.89。增强 Editor 三轮后,自动可读性偏好从 50.00 升到 53.96,两项开发集均分从 70.89 到 72.19;单轮增强编辑的原生均分一度低于未编辑稿。
案例里,DeepResearchBench II 第 012 题的四个主题被拆成 19 个小节,Critic 补上 Deep Portfolio Theory。独立成稿后,Fama-French 细节划给 S1.5,S1.2 只留交叉引用。终稿仍漏 Treynor 和 CPPI,还残留内部节号。可执行议程加可追踪编辑,不等于覆盖完整。
这是一份产品级技术报告,不是新算法论文。给做 deep research agent 的人看,能搬走的是工程接口:用一份冻结的规格当共享议程,节级上下文保证据,编辑只改局部。和整篇边写边改相比,没被新证据碰到的段落不会被反复重生。
Harness 套在旧模型上就能把三项均分从 47.04 拉到 58.05,说明编排本身值钱,不完全靠换更强模型。
对照是完整产品,含各自原生工具和预算,不是对齐后的模型对打。DeepResearchBench 领先只有 0.30,内部榜还输给 ChatGPT。可读性和呈现是明确短板。若要跟进,该看 ResearchSpec 冻结后还能不能重开全局议程,以及 Editor 多轮是不是在用检索预算换文风。
ResearchSpec 规划完就冻住,起草后核心管线不能重开全局议程。报告可以又长又密又重复。Global / Local Editor 都要读全稿,仍受输入上下文限制。增强 Editor 把源访问、指令和轮数绑在一起改,分不清各自贡献。
评测上,原生分数、计划覆盖、引用支持测的不是同一件事,没改的内容也可能拿到不同 rubric 判断。组件和规划实验用事先看过的开发子集,有的按旧模型分数选题。没有匹配的训练消融,系统分拆不开数据源和训练阶段。论文没报 DeepResearchBench 的 FACT 引用支持结果。
案例只给终稿打分,隔离不了规划和编辑各自的增益。把「公开三项第一」读成全面压过 ChatGPT,和内部榜、可读性、呈现维对不上。