⽆需任何监督信号！自博弈机制让深度搜索Agent实现自我进化

主要观点总结

本文介绍了面向深度搜索Agent的自我博弈训练范式——Search Self-Play（SSP）。该方法的核⼼思路是让⼀个模型同时扮演两个⻆⾊——「 出题者」和「 解题者 」，在对抗训练中共同进化，形成⼀个⽆需⼈⼯标注的动态博弈⾃我进化过程。通过⼤量试验，研究者发现经过SSP⽅法的训练，多个开源深度搜索模型都能在原本⽔平上进⼀步显著提升。

关键观点总结

关键观点1: 搜索Self-Play是一种面向深度搜索Agent的自我博弈训练范式。

该范式旨在让模型同时扮演「出题者」和「解题者」两个角色，在对抗训练中共同进化，提升模型的能力。

关键观点2: SSP方法通过生成具有挑战性的题目并要求解题者回答，来实现模型的自我训练和进化。

这种方法可以让模型在无需人工标注的情况下，通过与外部真实世界的交互，自主生成训练任务，实现自我驱动的进化。

关键观点3: SSP方法的主要实验结果。

研究者在多个开放领域问答基准上对SSP进行了全面评估，发现SSP在问答基准测试中持续超越基线方法。特别是在未经过指令微调的基础模型上，应用SSP带来了显著的性能提升。