大语言模型发展得风生水起，但生成幻觉和信息过时这两个老大难问题，始终像悬在头顶的达摩克利斯之剑。检索增强生成（RAG）技术一度被视为解药，可传统做法依赖真实搜索引擎交互——成本高昂不说，文档质量还不可控。阿里巴巴通义实验室最近开源的ZeroSearch，给出了一个碘伏性的新思路：让模型自己当搜索引擎，训练成本直接砍掉88%，性能却超过了谷歌搜索。
核心看点：
- 基于强化学习的创新大模型搜索引擎框架
- 不需与真实搜索引擎交互，动态控制文档质量
- 训练成本骤降88%，性能超越谷歌搜索
一、项目概述
ZeroSearch这个名字很直白——零搜索引擎依赖。它是阿里巴巴通义实验室开源的一种全新大模型搜索引擎框架，核心做法是用强化学习来激励大模型自己生成检索结果。完全没有必要去调用谷歌API，模型在本地就能完成搜索任务。通过轻量级监督微调和巧妙的课程学习机制，模型被改造成一个“模拟搜索引擎”，既能生成相关文档，也能生成噪声文档来模拟真实检索的复杂场景。测试结果相当亮眼：在多个问答数据集上，ZeroSearch的表现超过了谷歌搜索，而训练成本降了超过80%。这对那些预算有限的团队来说，几乎就是零门槛入场券。
二、主要功能
（一）无需真实搜索引擎交互
ZeroSearch用模拟引擎替代了真实搜索引擎，彻底绕开了对谷歌等API的依赖。成本直线下降，也不再有接口调用、限流、数据隐私这些头痛问题。所有检索任务在本地环境就能搞定。
（二）动态控制文档质量
框架支持生成相关或噪声文档——只需调整提示中的关键词，就能灵活控制生成文档的质量。这为训练提供了丰富的检索场景，模型的鲁棒性自然水涨船高。
（三）大幅降低成本
相比用真实搜索引擎做强化学习训练，ZeroSearch的训练成本降低了超过80%。这个数字意味着大规模训练不再是少数巨头的专利，个人开发者和小团队也能放手去做。成本降低达88%，实际收益更为可观。
（四）支持多种模型和算法
ZeroSearch兼容不同参数规模的大模型（3B、7B、14B都行），也支持PPO、GRPO等多种强化学习算法。这种灵活性让框架能适配从简单问答到复杂推理的各类场景。
三、技术原理
（一）模拟搜索引擎
ZeroSearch把大模型自身的知识转化成一个模拟搜索引擎。输入一个查询，模型就能自己生成相关文档或噪声文档，完完全全替代真实搜索引擎。这样一来，没有外部依赖，安全和成本都变得可控。
（二）轻量级监督微调
框架通过少量标注数据对模型进行微调，让模型学会生成高质量和低质量两种文档。高质量文档用来强化学习，低质量文档用来模拟真实搜索中的“坏结果”——这个能力对提升模型抗干扰能力至关重要。微调成本非常低，效果却立竿见影。
（三）课程学习机制
训练过程中，ZeroSearch会逐步增加文档的噪声水平。模型先从小任务开始，在简单场景中打好基础，再慢慢挑战更复杂、更嘈杂的检索任务。这种循序渐进的方式，让模型的推理能力得到了质的飞跃。
（四）基于F1分数的奖励机制
奖励信号直接采用F1分数——只关心答案的准确性。模型生成的答案与真实答案越匹配，奖励越高。这个设计倒逼模型专注于产出精确、可靠的答案，而不是堆砌文本。
（五）多轮交互模板
ZeroSearch设计了明确的推理、搜索和回答三个阶段，用`
四、应用场景
（一）智能问答系统
智能客服、智能助手这类场景，最核心的就是“问即答”。ZeroSearch能快速输出准确答案，而且不需要外部搜索引擎支持，响应速度和可靠性都很出色。
（二）内容创作
新闻、文案、学术写作，创作者最需要快速获取信息、点燃灵感。动态控制文档质量的能力，让ZeroSearch既能给出精准的事实，也能生成一些“发散性”的素材，辅助创作效率直线提升。
（三）教育与学习
在线教育或智能辅导中，学生往往需要即时解答。ZeroSearch模拟搜索引擎后，能提供更准确、更可靠的知识支持，而且完全不需要联网调用外部API。
（四）企业知识管理
员工检索公司内部资源——文档、制度、案例库等，ZeroSearch可以充当内部搜索引擎，大幅减少搜索时间，提高工作效率。
（五）研究与开发
科研人员需要快速了解最新论文、技术动态，ZeroSearch能基于模型自身知识生成相关研究支持，加速资料积累的过程。
五、快速使用
（一）安装依赖
先搭好环境，跟着下面几步走：
conda create -n zerosearch python=3.9 conda activate zerosearch pip install torch==2.4.0 --index-url https://download.pytorch.org/whl/cu121 pip install vllm==0.6.3 pip install wandb pip install serpapi
（二）下载训练数据集
从Hugging Face拉取ZeroSearch的训练数据：
huggingface-cli download --repo-type dataset --resume-download sunhaonlp/ZeroSearch_dataset --local-dir ZeroSearch_dataset
（三）下载模拟LLM
ZeroSearch需要预训练的模拟LLM来生成文档。根据需求选择不同参数规模的模型：
huggingface-cli download --resume-download sunhaonlp/SearchSimulation_3B --local-dir SearchSimulation_3B huggingface-cli download --resume-download sunhaonlp/SearchSimulation_7B --local-dir SearchSimulation_7B huggingface-cli download --resume-download sunhaonlp/SearchSimulation_14B --local-dir SearchSimulation_14B
（四）启动本地模拟服务器
用SGLang启动一个本地服务器，作为模拟搜索引擎：
python -m sglang.launch_server --model-path SearchSimulation_3B --host 0.0.0.0 --tp 2 --dp 2 --port 6001
模型路径和端口按需要调整即可。
（五）进行强化学习训练
最后，用零搜索提供的脚本开始训练。下面是一个使用GRPO算法的例子：
bash train_grpo.sh NUM_GPUS_PER_NODE 4 MODEL_PATH Llama-3.2-3B DATA_PATH ZeroSearch_dataset TOTAL_STEPS 203 IP localhost SEARCH_MODE simulate_sft SIMULATION_LLM SearchSimulation_3B START_THRESHOLD 0.25 END_THRESHOLD 0.5
这个例子用了4个GPU，策略模型是Llama-3.2-3B，训练数据为ZeroSearch_dataset，总共203步。`SEARCH_MODE`设为`simulate_sft`使用轻量级监督微调的模拟搜索引擎，`START_THRESHOLD`和`END_THRESHOLD`则控制课程学习的难度。
六、结语
ZeroSearch所做的事情，本质上就是让大语言模型学会“自我搜索”，彻底摆脱对外部搜索引擎的依赖。训练成本降了超过80%，性能却超过谷歌搜索——这个反差本身就说明了很多。无论是研究者还是开发者，都可以拿这个开源的框架快速上手，在问答、创作、知识管理等场景中挖掘出新价值。自然语言处理领域，又多了一个高效、灵活的好工具。