XYZ AI Lab发布两款Deep Search Agent，刷新多项SOTA，探索AI4AI研发范式

XYZ AI Lab 发布的 XYZ-Aquila-mini（35B）和 XYZ-Aquila-pro（397B）不仅是两款 Deep Search Agent，更是 AI4AI 研发范式的系统验证。该范式让 AI 参与驱动完整 Agent 系统的研发闭环，包括任务构造、模型训练、运行时优化和评测验证。

这一方向并非孤立。Google DeepMind 的 AlphaEvolve 已用于数据中心优化和芯片设计；Anthropic 在 2026 年 5 月披露其代码库中超 80% 的新代码由 Claude 编写；OpenAI 在 GPT-5.6 中引入 RSI Index 衡量模型参与 AI 研发的能力；Kimi K3 早期版本也承担了大部分 GPU Kernel 优化工作。

XYZ 的独特之处在于，它并非单点优化，而是将大规模计算资源、多 Agent 协作和完整研发流程整合成闭环，让海量实验转化为可验证、可复现、可积累的研发能力。

Deep Search 任务要求模型经历问题拆解、网页检索、来源判断、跨页面比较、计算、核验和最终作答，长链路中任何环节都可能出错。模型只是系统的一部分，任务构造、工具返回、上下文管理、答案路由和评测隔离都会影响结果。

XYZ-Aquila-mini 在 BrowseComp（78.8）、BrowseComp-ZH（82.9）、DeepSearchQA（89.5）、GAIA（97.1）、LiveBrowseComp（48.7）、HLE（51.1）和 WideSearch（80.8）七项基准中均取得最佳结果。XYZ-Aquila-pro 在 BrowseComp-ZH、LiveBrowseComp 和 WideSearch 上取得最高公开分数，在 DeepSearchQA 上与 Kimi-K2.6 持平。

这些成绩证明的是模型、数据、训练、工具、上下文策略、运行时、评测和基础设施共同组成的系统具有竞争力，而非单一模型的能力。

XYZ 的 AI4AI 系统遵循“人定规则，AI 找路；独立评测，全程留痕”原则。人类定义研发目标、评测标准、资源预算和风险边界；Agent 将复杂问题拆解为可执行任务，由不同 Agent Workers 分析失败轨迹、提出方案、修改代码并运行实验。

实验完成后，候选改动由独立评测器生成可核验证据，门控机制按预设标准决定接受、拒绝或升级至人类审查。每次实验的方案、过程、结果和判断依据均被完整记录，写入共享记忆。有效改动沉淀为可复用经验，失败尝试保留原因和边界，减少重复探索。

Agent 不能修改评测标准、读取私有答案或自行批准方案。当出现证据冲突、疑似数据泄漏、高风险改动或权限越界时，系统暂停自动推进并升级至人类审查。

AI4AI 系统的价值不仅在于执行更多实验，还在于从大量失败轨迹中识别人类未预设的改进方向。例如，团队发现 Agent 找到关键网页却未在答案中使用，问题在于信息被过长上下文淹没。

AI 从轨迹中提出两个候选方向：主动上下文整理（在状态清晰时让模型主动整理证据）和“研究记事本”（将候选答案和来源写入独立工作区并交叉验证）。前者已进入当前系统，后者作为带状态的设计保留。

这表明 AI 开始扩展团队实际能探索的解空间，从海量实验中发现超出人类预设的方案，再送入同一套评测和验收流程。

AI4AI 优化并非围绕单个 checkpoint 调参，而是在任务构造、训练、运行时和强化学习等多个耦合环节寻找可验证改进。任务构造从可靠来源构建证据图，确保问题可检索且答案唯一；训练采用状态对齐的 SFT，仅监督模型当时实际可见的信息。

运行时通过只增不改的审计日志和逐步可见状态，区分证据从未被找到、存在但未呈现、或已获得但未用于回答等问题。强化学习探索过程奖励和上下文管理下的共享前缀复用，以改善长程任务中的信用分配和训练效率。

Deep Search 只是 AI4AI 体系的第一个公开验证场。未来该方法有望扩展到 Coding Agent、通用多工具 Agent 以及法律、医学、科研等场景，底层闭环保持一致：提出候选、执行实验、独立验证、沉淀经验。