ZeroSearch：模拟搜索环境+渐进式抗噪训练
闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
强化学习（RL）+真实搜索引擎，可以有效提升大模型检索-推理能力。
但问题来了：
一方面，搜索引擎返回的文档质量难以预测，给训练过程带来了噪音和不稳定性。
另一方面，RL训练需要频繁部署，会产生大量API开销，严重限制可扩展性。
现在，来自阿里通义实验室的解决方案公开了：开源ZeroSearch，提供了一种无需与真实搜索引擎交互的强化学习框架。
实验表明，ZeroSearch仅需3B参数的LLM作为检索模块，即可有效提升搜索能力，节省了高昂API成本。
ZeroSearch让LLM"自给自足"实现搜索进化
研究团队用模拟搜索环境+渐进式抗噪训练，让LLM不再依赖昂贵搜索引擎API。
轻量微调：把LLM变成"搜索引擎模拟器"
用少量标注数据微调LLM，使其能按指令生成两种文档——有用结果和噪声干扰。
通过收集与真实搜索引擎交互的数据，ZeroSearch对LLM进行轻量级监督微调。
在这个过程中，模型学会生成与真实搜索引擎风格相似的文档，同时能够根据提示词生成相关或噪声文档。
这种能力使得模型在训练过程中能够动态调整文档质量，从而更好地模拟真实检索场景。
课程化抗噪训练：像打游戏升级一样练模型
训练初期返回高质文档，后期逐渐混入噪声（噪声比例按指数曲线上升）。
ZeroSearch引入了课程式学习机制，逐步降低生成文档的质量，使模型从简单的检索场景逐步过渡到更具挑战性的任务。
这种策略不仅提升了模型的推理能力，还显著增强了训练的稳定性和效果。
随着训练的进行，模型逐渐适应更复杂的检索任务，最终能够在高质量和低质量文档中找到平衡。
强化学习闭环：自产自销的搜索生态
ZeroSearch通过模拟搜索引擎，完全消除了与真实搜索引擎交互的API费用，使得大规模强化学习训练变得更加经济可行。
并且，ZeroSearch兼容多种强化学习算法，包括PPO（Proximal Policy Optimization）和GRPO（Group Relative Policy Optimization）。
这些算法为模型提供了不同的优化策略，使得ZeroSearch能够在不同的模型和任务中表现出色。
实验表明，GRPO在训练稳定性方面表现更好，而PPO则在某些任务中提供了更高的灵活性。
实验结果及结论
ZeroSearch的零API成本优势不仅体现在经济上，还体现在训练的灵活性和可扩展性上。
ZeroSearch vs. 现有方法
在图中，我们可以清晰地看到ZeroSearch在多个问答数据集上的表现。
无论是单跳（Single-Hop）还是多跳（Multi-Hop）问答任务，ZeroSearch都显著优于现有的基线方法，包括直接提示、RAG和Search-R1等。
这表明ZeroSearch不仅在简单任务中表现出色，还能在复杂的多跳问答任务中发挥强大的检索能力。
上图展示了ZeroSearch和Search-R1（使用真实搜索引擎）在LLaMA-3.2-3B模型上的奖励曲线对比。
ZeroSearch的学习曲线更加平滑且最终性能优于Search-R1，表明其在训练过程中的稳定性和优越性。
不同模型规模的性能
可以看到使用7B参数的检索模块就能达到与谷歌搜索相当的性能，而14B参数的检索模块甚至能够超越谷歌搜索。
这表明ZeroSearch不仅适用于小型模型，还能在大型模型中发挥更大的潜力，为LLM的检索能力提升提供了广阔的空间。
强化学习算法的兼容性
比较了在Qwen-2.5-3B和LLaMA-3.2-3B模型上，使用PPO和GRPO算法的ZeroSearch性能，可以看到ZeroSearch与PPO和GRPO两种强化学习算法的兼容性。
实验结果表明，GRPO在训练稳定性方面表现更好，而PPO则在某些任务中提供了更高的灵活性。
这表明ZeroSearch能够适应不同的强化学习算法，为研究人员提供了更多的选择。
通过模拟搜索引擎，ZeroSearch完全消除了API成本，同时通过课程式学习策略逐步提升模型的推理能力。
论文第一作者孙浩目前是北京大学智能学院四年级博士研究生，研究方向聚焦于检索增强的大语言模型与智能体，师从张岩教授。
论文链接：
https://arxiv.org/abs/2505.04588
项目主页： https://alibaba-nlp.github.io/ZeroSearch
— 完 —
📪 量子位AI主题策划正在征集中！欢迎参与专题365行AI落地方案，一千零一个AI应用，或与我们分享你在寻找的AI产品，或发现的AI新动向。
💬 也欢迎你加入量子位每日AI交流群，一起来畅聊AI吧～
一键关注 👇 点亮星标
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
没有评论:
发表评论