去年这个时候，"本地跑深度研究"听起来像是天方夜谭。你需要云端大模型、需要付费 API、需要忍受响应延迟和隐私泄露的隐忧。
现在，一张 RTX 3090，一个 27B 参数的开源模型，就能在 SimpleQA 上跑到约 95% 的准确率。
local-deep-research 这个项目在 GitHub 上安静地长到了 7,098 个 star，这周新增 2,483。6,415 次 commit，440 个分支，155 个 tag——这不是一个 toy project，是一个被认真维护的工具。
它能做什么
一句话：给你一个问题，它会像研究员一样工作。
- 搜索多个搜索引擎（10+ 种来源，包括 arXiv、PubMed）
- 阅读、筛选、交叉验证信息
- 综合成一份有引用的研究报告
- 全部在本地完成，数据加密存储
跟云端 deep research 类产品相比，核心差异就一个：数据不出你的机器。
Qwen3.6-27B 在 3090 上能跑，这件事本身就有信号意义
27B 参数的模型，4-bit 量化后大概 15GB 显存。RTX 3090 有 24GB——刚好够，但不是在裸奔。这意味着什么？
两年前，这个级别的推理能力需要 A100。一年前，需要 4090。现在，一张二手 3090 就行。
这不是线性进步。这是成本曲线上的一次跳水。
95% SimpleQA 这个数字怎么理解
SimpleQA 是 OpenAI 出的问答基准，测的是"模型能不能给出简洁准确的事实性回答"。95% 很高，但需要注意几点：
- 这是社区报的数字，不是官方 benchmark 跑出来的。项目 README 说"
95%"，这个""很重要 - SimpleQA 测的是事实问答，不是推理、不是写作、不是代码
- 跑分高 ≠ 在所有研究场景都能用
但即便如此，95% 的 SimpleQA 意味着：对于大部分事实核查类任务，本地模型已经够用了。
适用场景
- 学术论文调研：arXiv、PubMed 集成，直接搜论文、出摘要
- 技术选型调研：对比多个方案、出分析报告
- 隐私敏感的研究：医疗数据、内部文档、商业机密——数据不离开本地
不合适的场景
- 需要超大规模知识检索的（云端模型的参数量仍然碾压本地）
- 对推理链深度要求极高的（27B 的推理能力跟 400B+ 有差距）
- 需要实时联网搜索最新事件的（本地模型的训练数据有截止日期）
本地 AI 研究的转折点
local-deep-research 不是唯一一个本地研究工具，但它可能是目前最成熟的一个。6,415 次 commit、186 个 open PR、79 个 open issue——这些数字说明社区在认真贡献。
当一张消费级显卡就能跑出接近云端模型的深度研究能力时，"必须用云端"的理由就少了一个。
主要来源：