【简体中文 | English】

微信公众号

最新动态

• [2026-01-20] 🚀🚀🚀 我们开源了 AgentCPM-Report，它基于 MiniCPM4.1-8B，在报告生成任务上可与 Gemini-2.5-pro-DeepResearch 等顶级闭源商业系统相媲美。

• [2026-01-12] 🚀🚀🚀 我们开源了 AgentCPM-Explore——一个只有 4B 参数 的智能体大模型，并提供了训练、推理和工具沙箱环境的完整代码。它成功登顶了包括 GAIA、HLE 和 BrowseComp 在内的八个经典长周期、高难度智能体排行榜。在该尺寸下，其 SOTA 性能实现了更长的行动链和更精准的深度研究，打破了端侧智能体的性能瓶颈。

目录

• 最新动态
• 目录
• 概述
• 模型列表
• AgentCPM-Explore
  • 演示案例
  • 快速开始
• AgentCPM-Report
  • 简介
  • 演示案例
  • 快速开始
  • Docker 部署
• 许可证
• 引用
• 探索更多

概述

AgentCPM 是由 THUNLP（清华大学自然语言处理实验室）、中国人民大学、面壁智能 (ModelBest) 和 OpenBMB 社区 联合开发的一系列开源大模型智能体。为了解决智能体在现实应用中面临的长周期能力、自主性和泛化性有限等挑战，我们提出了一系列模型构建方法。近期，团队专注于全面构建智能体的深度研究能力，发布了深度搜索智能体 AgentCPM-Explore 和深度报告智能体 AgentCPM-Report。

模型列表

AgentCPM-Explore

AgentCPM 团队专注于系统性地构建智能体的深度研究能力，并发布了深度搜索智能体 AgentCPM-Explore。AgentCPM-Explore 是首个在 GAIA、XBench 等八个广泛使用的长周期智能体基准测试中亮相的开源 4B 参数级智能体模型。

主要亮点：

• 4B 参数规模下的 SOTA 性能：在同尺寸模型中表现最佳，可匹配甚至超越 8B 模型，并与部分 30B+ 及闭源大模型相抗衡。
• 深度探索能力：支持 100 多轮连续交互，具备多源交叉验证和动态策略调整能力。
• 端到端完全开源：提供完整的训练和评估基础设施，方便社区开发和定制扩展。

演示案例

演示示例 (加速播放):

https://github.com/user-attachments/assets/f2b3bb20-ccd5-4b61-8022-9f6e90992baa

快速开始

• 多模型、多工具协同环境搭建：首先，启动 AgentDock 工具沙箱平台，提供统一的 MCP（模型上下文协议）工具服务。如果使用 API 模型，需要在 config.toml 文件中配置模型的 BASE_URL 和 API_KEY。如果使用本地部署的模型，需确保模型服务可访问。配置所需工具参数于 config.toml 文件。
• 启动环境：开箱即用，一键启动。AgentDock 统一工具沙箱平台支持通过单个 docker compose up -d 命令启动所有服务，包括管理面板、数据库和工具节点。
• 运行执行：通过 QuickStart 脚本快速体验框架的核心功能，无需复杂配置即可运行一个完整的 Agent 任务。

0. 准备评估环境（推荐）：
   我们提供了预装所有评估依赖的 Docker 镜像。推荐直接拉取并运行：

```bash
# 1. 进入项目文件夹
cd AgentCPM-Explore

# 2. 拉取镜像 (支持 amd64/arm64 架构)
docker pull yuyangfu/agenttoleap-eval:v2.0

# 3. 启动容器 (根据需要调整 -v 的挂载路径)
docker run -dit --name agenttoleap --gpus all --network host -v $(pwd):/workspace yuyangfu/agenttoleap-eval:v2.0

# 4. 进入容器
docker exec -it agenttoleap /bin/bash
cd /workspace
```

1. 配置并运行：
   打开 quickstart.py，在 [USER CONFIGURATION] 部分进行简单配置：
   - 自定义任务：修改 QUERY 变量为你想要测试的指令（例如，“查询昨晚欧冠比赛结果”）。
   - 模型信息：提供你的 LLM API_KEY、MODEL_NAME 和 BASE_URL。
   - 工具服务：将 MANAGER_URL 设置为你的 MCP 工具服务器地址（例如 http://localhost:8000；确保服务已在运行）。
   配置完成后，运行：

bash python quickstart.py

脚本会自动创建一个演示任务（默认查询今日 arXiv 的计算机科学论文），生成执行工作流并启动评估过程。

2. 查看结果
   执行完成后，结果会保存在 outputs/quickstart_results/ 目录下。你可以在其中查看 dialog.json 来获取完整的交互轨迹，包括工具调用和推理链条。

注意：QuickStart 模式默认跳过自动评分，仅用于演示 Agent 的执行能力。

AgentCPM-Report

简介

AgentCPM-Report 基于 8B 参数的基座模型 MiniCPM4.1 构建。它接受用户指令作为输入，自主生成长篇报告。亮点包括：

• 极致性能，极小体积：通过平均 40 轮深度检索和近 100 轮的链式推理，实现对信息的全面挖掘与重组，使边缘端模型能够生成逻辑严谨、见解深邃、数万字的长篇报告。仅用 8B 参数，即在深度研究任务上达到顶级闭源系统的水平。
• 物理隔离，本地安全：专为高隐私场景设计，支持完全离线和敏捷的本地部署，彻底消除云端数据泄露风险。利用我们的 UltraRAG 框架，高效挂载和理解你的本地私有知识库，在不离开其领域的情况下，安全地将核心机密数据转化为高价值的专业决策报告。

演示案例

快速开始

Docker 部署

我们提供了一个集成在 UltraRAG 中的最简一键 docker-compose 部署方案，其中包含了 RAG 框架 UltraRAG2.0、模型推理框架 vllm 和 Milvus 向量数据库。如果你需要 CPU 推理，我们还提供了基于 llama.cpp 的版本，适用于 GGUF 格式的模型——只需将 docker-compose.yml 替换为 docker-compose.cpu.yml 即可。

git clone git@github.com:OpenBMB/UltraRAG.git
cd UltraRAG
git checkout agentcpm-report-demo
cd agentcpm-report-demo
cp env.example .env
docker-compose -f docker-compose.yml up -d --build
docker-compose -f docker-compose.yml logs -f ultrarag-ui

首次启动需要拉取镜像、下载模型和设置环境，可能需要大约 30 分钟。
然后打开 http://localhost:5050。如果能看到图形界面，则部署成功。
按照界面提示上传本地文件、进行分块并构建索引。然后，在聊天面板中，在 pipeline 里选择 AgentCPM-Report，即可开始你的工作流！

（可选）你可以从 Wiki2024 导入 Wiki2024 作为写作数据库。

你可以从 教程页面 阅读更多关于 AgentCPM-Report 的教程。

许可证

• 本仓库中的代码基于 Apache-2.0 许可证发布。

引用

如果 AgentCPM-Explore 对你的研究有帮助，请引用该代码库：

@misc{chen2026agentcpmexplore,
  title = {{{AgentCPM-Explore}}: {{Realizing Long-Horizon Deep Exploration}} for {{Edge-Scale Agents}}},
  author = {Chen, Haotian and Cong, Xin and Fan, Shengda and Fu, Yuyang and Gong, Ziqin and Lu, Yaxi and Li, Yishan and Niu, Boye and Pan, Chengjun and Song, Zijun and Wang, Huadong and Wu, Yesai and Wu, Yueying and Xie, Zihao and Yan, Yukun and Zhang, Zhong and Lin, Yankai and Liu, Zhiyuan and Sun, Maosong},
  year = 2026,
  month = feb,
  number = {arXiv:2602.06485},
  eprint = {2602.06485},
  publisher = {arXiv},
  doi = {10.48550/arXiv.2602.06485},
  archiveprefix = {arXiv},
  langid = {english}
}

如果 AgentCPM-Report 对你的研究有帮助，你可以按如下方式引用：

@misc{li2026agentcpmreport,
      title={AgentCPM-Report: Interleaving Drafting and Deepening for Open-Ended Deep Research},
      author={Yishan Li and Wentong Chen and Yukun Yan and Mingwei Li and Sen Mei and Xiaorong Wang and Kunpeng Liu and Xin Cong and Shuo Wang and Zhong Zhang and Yaxi Lu and Zhenghao Liu and Yankai Lin and Zhiyuan Liu and Maosong Sun},
      year={2026},
      eprint={2602.06540},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2602.06540},
}

探索更多

• AgentCPM-GUI
• MiniCPM
• MiniCPM-V
• UltraRAG