OpenAI 发布 SimpleQA 的时候，目的是测模型"能不能回答简单事实问题"。结果嘛……GPT-4o 拿了 61%，o1 大概 70% 多。大部分模型在这个基准上表现平庸。
然后有个叫 local-deep-research 的开源项目说：我用 Qwen3.6-27B，一张 RTX 3090，跑到了 ~95%。
这不是模型能力的突破——是系统工程。
它怎么做到的
local-deep-research 的核心思路不是训练一个更聪明的模型，而是让一个还凑合的模型，通过工具链和搜索策略变得极其可靠。
具体来说：
- 10+ 搜索引擎集成——arXiv、PubMed、通用搜索、私有文档，覆盖面极广
- 多轮搜索与验证——不是搜一次就回答，而是反复搜索、交叉验证
- 本地运行，全加密——数据不出本机，对隐私敏感的场景是刚需
- 支持所有主流 LLM 后端——llama.cpp、Ollama、Google API、各种云端模型
7,572 颗星，过去一周涨了 2,046 星。6,448 次 commit——这个项目极其活跃。
95% 的数字怎么理解
SimpleQA 测的是事实性问答的准确率。local-deep-research 能到 95%，靠的不是模型本身多聪明（Qwen3.6-27B 在原始 SimpleQA 上远没有这个成绩），而是：
- 搜索引擎提供了外部知识
- 多轮搜索策略覆盖了信息盲区
- 交叉验证减少了幻觉
换句话说，它把"模型的知识储备"问题变成了"模型的检索和验证能力"问题。这其实更接近人类做研究的真实方式——你不会靠记忆回答所有问题，你会去查资料、对比来源、得出结论。
但有几个限制
速度慢。 多轮搜索 + 推理，一次查询可能要几十秒甚至几分钟。不是所有场景都能接受这个延迟。
token 消耗不低。 虽然模型跑在本地，不花 API 钱，但 27B 模型在 3090 上的推理速度有限。大批量查询会排队。
95% 是特定条件下的结果。 README 写的是 "~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090)"——这个"约"字很关键。不同问题类型、不同搜索引擎配置，结果会有差异。
我的判断
local-deep-research 代表了一个重要趋势：本地小模型 + 搜索增强 > 云端大模型，至少在事实性问答这个赛道上。
这不是说 GPT-4o 不行了。而是说，对于"需要准确事实答案"的场景，一个本地部署的中等模型配上好的搜索策略，效果可以超越单纯依赖模型内部知识的方案。
适合谁用：
- 研究机构：需要可复现、可审计的研究流程
- 企业：数据不能出内网，但需要高质量信息检索
- 个人开发者：不想花 API 钱，有一张 3090 级别显卡
不适合谁用：
- 需要实时回答的场景（客服、对话机器人）
- 没有 GPU 资源的用户
- 需要创意写作、开放生成的场景
这个项目的 commit 频率（6,448 次！）说明社区在认真对待它。不是一时热度，是在持续打磨。值得关注。
主要来源：