我们都知道，DeepSeek-R1 或者 OpenAI o1 的成功，很大程度上验证了强化学习在提升模型推理能力上的统治力。但在这些光环之下，有一个尴尬的角落被很多人忽视了：搜索 Agent（Search Agents）。
让模型做数学题，答案是对是错，写个 Python 脚本就能验证。但如果你问模型：“2024年诺贝尔物理学奖得主的本科导师是谁？”，模型不仅要会搜索，还要从一大堆网页噪音中提取信息。训练这类 Agent，通常需要人类精心编写的“问题-搜索路径-答案”数据 。
这就引出了今天的主角——Dr. Zero。这篇论文不仅名字听起来像个反派，它的野心也极大：不给任何一条人类标注数据，让一个大模型通过自我博弈，进化成顶级的搜索专家。
论文：Dr. Zero: Self-Evolving Search Agents without Training Data
链接：https://arxiv.org/pdf/2601.07055
摆脱“平庸之恶”：为什么要设计 Proposer？
在 Dr. Zero 之前，也有人尝试过让模型自己问自己（Self-evolution）。但以前的方法有个致命弱点：模型太“懒”了。
如果没有外界刺激，模型倾向于生成简单的、一步就能搜到答案的“单跳（One-hop）”问题 。做这种题，模型很难学到复杂的推理链条。
Dr. Zero 的破局点在于引入了一个Proposer（出题人）和一个Solver（做题人）的对抗进化机制：
Solver：负责用搜索引擎找答案。
Proposer：负责基于给定的文档片段，构造出需要 N 步搜索才能解出的难题 。
这就像一个魔鬼教练和运动员的关系。教练必须不断设计更难的训练项目（从单跳问题进化到多跳问题），否则运动员就会停滞不前。
我们可以从下面这张架构图中清晰地看到这个循环：
这就形成了一个完美的闭环：Solver 能力越强，简单的题就没有奖励了，逼迫 Proposer 去生成更难的题；Proposer 出的题越难，Solver 就必须学会更复杂的搜索策略（比如追问、多步验证）才能得分 。
HRPO：打破计算瓶颈的关键一刀
如果仅仅是 Proposer-Solver 的循环，并没有太多新意。这篇论文真正的工程学明珠在于它提出的优化算法——HRPO (Hop-Grouped Relative Policy Optimization)。
要理解 HRPO 的价值，我们得先看它的前身 GRPO（Group Relative Policy Optimization）。 在 DeepSeek-R1 等工作中，GRPO 非常流行。它的逻辑是：对于同一个问题，让模型生成个不同的回答，然后算出这组回答的平均奖励作为基线（Baseline），用来减少方差。
但这个逻辑在搜索场景下是灾难性的。为什么？因为搜索太慢了！生成数学推理很快，但调用 Google/Bing 搜索接口、读取网页、提取信息，这个过程极其耗时。如果你对每一个问题都采样次搜索路径（Nested Sampling），训练成本会指数级爆炸 。
Dr. Zero 的解法非常聪明：它不再对“同一个问题”采样多次，而是对“同一类难度”的问题进行归一化。
作者发现，Proposer 生成的问题天然带有“难度标签”（比如 1-hop 简单题，3-hop 难题）。HRPO 做的就是：
对于每个 Prompt，Proposer 只生成一个问题（而不是 n 个）。
Solver 也只尝试解答一次。
在计算优势函数（Advantage）时，不是跟自己比，而是跟同一个Batch里同样是h-hop难度的其他问题比。
公式如下：
这里的代表所有属于跳难度的问题集合。
这就像考试评分。你不能拿做“1+1=2”的学生得分去和做“微积分”的学生比。HRPO 相当于把做简单题的归一组，做难题的归一组，然后在组内进行标准化排名。这样既保证了公平，又彻底省去了对单个问题重复采样的计算浪费，效率提升了约 4 倍 。
奖励设计的艺术：寻找“甜蜜点”
Proposer 应该因为什么而获得奖励？ 如果 Proposer 出的题 Solver 答对了，给奖励吗？不行，那它会一直出送分题。 如果 Solver 答错了，给奖励吗？也不行，那它会出无解的乱码题。
Dr. Zero 设计了一个难度导向的奖励（Difficulty-Guided Reward）。它追求的是 Solver 处于“懂与不懂之间”的状态。
具体的奖励函数设计得非常精妙：
其中是 Solver 答对的次数。
如果（全错），奖励为 0。
如果（全对），奖励也为 0。
只有当时，Proposer 才能拿到高分。
这意味着，最好的问题是那些有挑战性、但并非不可解的问题 。此外，为了防止模型“玩脱了”生成非法格式，还引入了格式奖励。
实验：零数据 vs. 全监督
这就是最让人兴奋的部分了。作者使用了 Qwen2.5-3B 和 7B 作为基座模型，在完全不使用 NQ、HotpotQA 等数据集进行训练的情况下，直接硬刚监督学习模型（SFT）甚至其他 RL 方法（如 Search-R1）。
让我们看看数据：
碾压少样本（Few-shot）：在 Natural Questions (NQ) 数据集上，Dr. Zero (3B) 拿到了39.7的分数，几乎是传统 Prompting (10.6) 的4 倍，也远超 RAG 基线 。
挑战全监督（Supervised）：最离谱的是，即使对比使用了大量人工标注数据的 Search-R1，Dr. Zero 在 3B 参数量下，单跳任务（Single-hop）竟然反超了 22.9% 。在 7B 参数量下，它在复杂的 2WikiMQA 数据集上也击败了 Search-R1 。
为什么 3B 模型反而比 7B 在某些任务上提升更明显？
论文中的消融实验给出了一个有趣的观察：对于小模型（3B），强化基础的搜索能力（哪怕是单跳查询）带来的收益巨大；而对于大模型（7B），由于其本身基础能力较强，它更受益于多跳的复杂数据训练 。
局限与思考
当然，Dr. Zero 并不是完美的。作者坦诚地列出了几个值得深思的问题：
Token ID 不一致的崩溃：在多轮交互中，Token ID 的微小变动有时会导致模型训练不稳定，这种现象在 7B 模型上反而比 3B 更严重 。这意味着模型越大，虽然越聪明，但也可能越“敏感”。
长文本生成的瓶颈：随着 Hop 数增加（比如 4-hop），模型容易触碰到上下文长度的限制，或者在复杂的格式约束下动作变形（见 Qualitative Examples 中的失败案例）。
自进化的天花板：虽然无需数据，但从图表看，训练 3 轮之后性能提升就开始边际递减了 。这暗示了仅仅靠“内部互搏”，可能最终还是会受限于基座模型本身的知识边界。
总结
Dr. Zero 的核心价值不在于它刷新了多少 SOTA，而在于它证明了一条路径：复杂的工具使用和搜索能力，是可以“无中生有”的。
通过 HRPO 解决效率问题，配合巧妙的奖励函数设计，我们完全可以不再依赖昂贵的人工标注，让 AI 自己在信息的海洋里学会捕鱼。这对于那些垂直领域（如金融、法律搜索）的开发者来说，绝对是一个巨大的利好消息——你可能不再需要雇佣昂贵的专家来写 Prompt 了，让模型自己去“左右互搏”吧。
