据作者现场录音整理，按讲者脉络转述，不是逐字稿。其中开场和 Alex Triplett（COO）的公司介绍部分据现场外部录音补全，未与本人录音对照。两人之间有一位 You.com 亚太业务负责人用中文做了约 2 分钟商务介绍，这里不记。后半场由 David Li 中英混讲后训练案例，无问答环节。

一句话

用中等热度网页自动生成的小规模、按难度筛过的 RL 数据集（约 5000 条 SFT 轨迹加 1500 个 RL 任务，8 小时 RL），就能让一个开源 30B 模型在 BrowseComp 上明显变强，效率也作为副产品一起变好。David 认为后训练里数据集比工具和环境更重要。

论断

1. agent 需要专门给机器用的搜索引擎

Alex 开场请观众用手蒙住眼睛，说这就是 LLM 或 agent 连不上网时的处境：知识停在训练数据截止那天。他说人用百度、Google、微软搜索，agent 不是这么搜的，它们更快、吃进的信息多得多，需要另一种搜索引擎，You.com 做的就是专门给 LLM 和 agent 的搜索索引。

“They need a whole different search engine.” —— 需要另一种搜索引擎。

  • 没说给机器的索引和给人的索引具体差在哪，结果格式、延迟、返回量都没展开。

2. 机器搜索网页已经多过人

他说创始人 Richard Socher 大约 15 年前就判断，最终访问信息、搜索网页的机器会多过人。

“And in the last year, that’s happened. More AI agents search the web than humans. And many of them use us to do it.” —— 过去一年这件事已经发生了，搜索网页的 AI agent 多过人，其中很多用的是我们。

  • 没给口径（按查询量、请求数还是主体数）和来源。

3. 产品按编排深度分层

  • 搜索 API：接到 MCP 或 API 上，agent 就能访问整个网络。
  • contents API：抓取整页内容。
  • answers 和 research API：长时间、多路发散搜索，再用 harness 汇总。他说不同 API 对应不同的编排程度。
  • 授权的结构化数据：网上找不到的信息，比如世界银行、标普、Polymarket。

4. 主攻企业和模型实验室

他说 You.com 每月处理数十亿次查询，重点做企业，因为企业量最大、需求最大、查询最复杂。企业常要求零数据留存（不记查询、不拿数据训练）和实时 SLA。对模型实验室，他们提供预训练数据、后训练数据和推理时的搜索。

“We are their search lab. They are the model lab.” —— 我们是他们的搜索实验室，他们是模型实验室。

  • 每月查询量和投资方名单（NVIDIA、Salesforce 等）都是公司自述，没给具体数。合作的前沿模型和开源模型也没点名。

5. 后训练里 RL 数据集比框架和环境更重要

David 讲的案例是和 NVIDIA、CoreWeave 合作，对 NVIDIA 的一个开源 30B 模型做后训练，NVIDIA 做 SFT，RL 在 NeMo（疑为此词）和 CoreWeave 上跑。选开源模型是因为它 token 效率高，在数据中心里推理效率高。他两次说 RL 数据集是最重要的部分。理由是预训练语料已经差不多覆盖了互联网上的 token，必须找答案不在模型权重里的复杂问题，模型才会去学怎么用搜索工具，而不是直接从权重里拿答案。

“最重要的其实就是你这个 RL 的 data set，这个 RL data set 其实是你你做这些后训的时候是比那个 tooling 或者 environment 更重要”

6. 基座模型做网页研究的三种失败

针对稍小、不是特别强的模型，他把失败分成三种：一遍遍搜却找不到对的信息（death loop）；不会用搜索和浏览工具；有时查到了对的答案，自己却不知道，继续搜下去、用更多 token。

  • 基线：base model 在 BrowseComp（大概 1200 多个问题）上约 37 分，平均每题 168 次 tool call，用 300 万到 500 万 token。

7. 题源选中等热度网页

You.com 自有覆盖 “hundreds of billions of web pages” 的 web graph，有链接和反向链接，可以算类似 PageRank 的分数。太热门的网站（比如 Google 首页、一堆网站都放的 SOC 2 logo 链接）信息已经在模型权重里；太冷门的很多是长尾或垃圾。所以他们只取中间热度的网站。

“所以我们其实就是看哪些网站其实是稍微不是特别 popular 的网站，就是 medium popularity 的网站”

  • 取了差不多几千个网站，用模型从页面内容生成问答对，再混入自有数据和开源数据集的子集。

8. 按 pass@8 筛难度

流程是生成问题，去污染（去掉含 benchmark 答案的题），用 base model 每题跑 8 次算通过率。8 次全对的题没用，0 次全对说明模型能力不够，也丢掉，只留 1 到 7 次答对的做 RL 数据集。收尾时他又强调一次，说这对 GRPO 和 RLVR 很重要。

“留下来的问题就是说， pass between one and seven”

9. 小数据、短训练拿到相当的提升

“我们一共是有，差不多 5000 个 SFT trace，是 1500 个 RL task，一共只要花 8 个小时来做RL”

  • 后训练后 BrowseComp 约 45.45 分，比同一个 base model 提升约 8.5 分，他说是 22% 的相对提升。
  • 训练全是 RLVR（可验证奖励），题目由 web graph 和搜索 API 自动生成，不需要人工标注或 RLHF。
  • 和其他开源数据集比，他只说对方数据集大几倍，提升差不多，没给具体分数，也没说是不是同一个基座。
  • 8 小时没说用了多少卡。

10. 只奖励答对，效率也顺带变高

他说没有为效率给奖励，但模型更会用环境里的工具、更会解这类题，效率作为副作用提高了。他把原因归于模型第一次拿到答案后会做验证，知道自己找对了就停。

“It actually becomes more efficient as a side effect.” —— 效率作为副作用提高了。

  • 例子是 BrowseComp 一道多跳题：某公司在 2013–2023 年间被收购，收购时 CEO 毕业于某所加州大学，最后问他开的是哪种车（题面细节没听清）。
  • 后训练前：313 次工具调用，其中 150 次搜索、118 次网页抓取，用了 130 万 token，答案仍然错。
  • 后训练后：7 次工具调用，3 次搜索、1 次网页抓取，只用了 7 万多 token。
  • 这是单题案例，没给全量平均的效率变化。

收尾：通用流程

先有强工具（这里是强搜索）；用有代表性的数据出题并按难度过滤；在自己的轨迹上做拒绝采样 SFT，再做 GRPO；最后同时测准确率和效率，评分可用二元或多步 rubric。他说讲到这里只剩四十几秒，“这可能是最重要的”。

存疑

  • 30B 模型的具体型号没听清，疑为 NVIDIA Nemotron 系列，需查幻灯片或 NVIDIA 公开发布。
  • 开源数据集名按读音推测为 OpenSeeker、WebSailor、ASearcher，未确认。
  • 相对提升他说 22%，按 37 到 45.45 算约 23%。另有一句说 8.5 分里 SFT 约 3 分、RL 约 5.5 分，未核实。
  • 基线每题平均 168 次 tool call、300 万到 500 万 token，数量级偏大，需对照幻灯片。
  • David 的职位有三种说法：议程写 Member of Technical Staff，亚太负责人介绍时说 founding engineer，他自述负责全球和亚洲的 field engineering。