搜索自博弈 SSP 是什么？让搜索智能体自己出题自己练

搜索自博弈（Search Self-play，SSP）是一种不需要人工监督的搜索智能体训练方法，由阿里巴巴夸克、北京大学和中山大学的研究人员在 2025 年 10 月提出，论文标题是《搜索自博弈：在没有监督的情况下推动智能体能力的前沿》。

问题：训练智能体需要大量好题目

基于可验证奖励的强化学习（RLVR）已经成为训练大模型智能体的主流技术。但它高度依赖精心设计的任务和对应的标准答案，才能给出准确的奖励信号。准备这些题目和答案需要大量人力，限制了强化学习的规模化，在需要多步搜索的智能体场景里尤其如此。已有一些工作尝试自动合成任务，但生成的智能体任务很难控制难度，太简单学不到东西，太难又没法给出有效的训练信号。

SSP 怎么做

SSP 借鉴了围棋 AI 的“自我对弈”思想。同一个大语言模型同时扮演两个交替的角色：出题者和解题者。出题者负责生成需要深度搜索才能回答的问题，并且问题有可以验证的标准答案，难度随着训练逐步提升；解题者则通过多轮推理和调用搜索工具，尝试回答这些问题。两者相互促进：出题者努力出更难的题，解题者努力解得更好。

一个关键的问题是如何保证出题者生成的题目本身是对的、答案是可以找到的。研究人员的办法是：把出题者在出题过程中搜索到的所有结果收集起来，作为外部材料交给解题者，检验在有充分资料的情况下，这道题能否被正确回答，以此验证每道生成题目的正确性，过滤掉有问题的题目。

意义

论文报告，SSP 在多个搜索智能体基准上显著提升了模型的表现，而且整个过程不需要人工标注的数据。这种“自己出题、自己练”的方法，为大规模训练搜索和研究类智能体提供了一条可扩展的路径。