这项由清华大学和蚂蚁集团研究人员合作完成的研究于2025年8月发表在arXiv预印本平台上，完整论文可通过链接arXiv:2508.07976v2访问。研究团队由清华大学IIIS的高嘉轩、傅炜等人领导，联合蚂蚁集团强化学习实验室的多位研究员共同完成。

当我们在搜索引擎上查找复杂问题的答案时，往往需要反复搜索、浏览多个网页，然后综合分析才能得出结论。就像一位经验丰富的侦探在破案时需要不断收集线索、实地调查、分析证据一样，AI智能体在处理复杂问题时也需要具备这种持续探索和深度思考的能力。然而，现有的开源AI搜索智能体在这方面还存在明显不足——它们就像初出茅庐的实习侦探，只能进行简单的表面调查，无法进行深入的案情分析。

研究团队发现，现有的AI搜索智能体普遍存在两个关键限制：首先是搜索轮次过少，就像给侦探规定只能询问十个以内的证人，显然无法处理复杂案件；其次是缺乏高质量的训练数据，就像没有足够的案例供新手侦探学习。为了解决这些问题，研究团队开发了ASearcher系统，这个系统就像一所专业的侦探学院，能够培养出具备超强搜索能力的AI侦探。

ASearcher最令人惊叹的突破在于实现了真正的长时间深度探索。传统的AI搜索智能体每次最多只能进行10轮左右的搜索，就像侦探只能问十个问题就必须结案。而ASearcher训练出的AI智能体能够进行超过40轮的工具调用，生成超过15万个字符的深度分析内容——这相当于一本中篇小说的篇幅。这种超长探索能力使得AI能够处理那些需要多步骤推理、交叉验证信息的复杂问题。

为了实现这种突破，研究团队采用了全异步强化学习训练方法。传统的训练方式就像工厂的流水线，必须等最慢的工人完成任务后整条生产线才能继续。而异步训练就像让每个工人独立工作，不互相等待，大大提高了训练效率。同时，研究团队还设计了一个智能数据合成系统，能够自动生成大量高质量、高难度的问答对，为AI提供了丰富的学习素材。

这项研究的实际意义非常重大。经过训练的AI智能体在处理复杂问题时表现出了专家级的搜索智能，包括能够识别问题中的不确定性、进行精确的信息提取、跨文档推理以及验证结论的正确性。这些能力的提升为AI在现实世界中处理复杂任务奠定了坚实基础，也为开源AI社区提供了宝贵的技术资源。

**一、现有AI搜索智能体的困境：像被束缚的侦探**

在深入了解ASearcher的创新之前，我们需要理解现有AI搜索智能体面临的核心挑战。研究团队通过一个生动的案例展示了这些问题的严重性。

考虑这样一个看似简单的问题："截至2024年12月31日，中国在2012年伦敦奥运会上获得了多少枚金牌、银牌和铜牌？"这个问题初看起来很直接，但实际上充满了陷阱。网络上存在相互矛盾的答案——有些来源显示"38金、27银、22铜"，而另一些则显示"39金、31银、22铜"。一个真正智能的搜索代理需要深入调查这些差异的根源，发现问题出在兴奋剂检测导致的取消资格事件，然后从官方报告中确定正确答案。

现有的AI搜索智能体在处理这类问题时暴露出两个致命缺陷。首先是搜索轮次限制过于严格，就像给侦探规定只能进行十次以内的调查行动。这种限制使得AI无法进行深入的多步骤推理和全面的信息收集。研究团队发现，现有的强化学习方法，如SearchR1，人为设置了不超过10轮的搜索限制，这完全不足以处理需要多轮工具调用和多步推理的复杂查询。

其次是缺乏大规模、高质量的问答训练数据。强化学习训练需要大量具有挑战性且答案正确的问答对，就像训练侦探需要大量真实案例一样。然而，现有的开源数据集要么过时（如HotpotQA），要么过于简化，要么数量太少，无法通过强化学习激发复杂的搜索行为。

研究团队通过具体案例分析了这些问题的表现。在处理一个关于寻找特定动物的复杂GAIA问题时，SearchR1-32B表现出了明显的局限性：无法将复杂查询分解为独立组件，只能进行涉及过多未知信息的模糊查询，出现严重的幻觉现象，产生搜索结果无法支持的结论，并且无法解决所有未知变量。

即使是基于提示的大语言模型智能体，如Search-o1（QwQ），虽然能够通过大量工具调用找到物种名称以及相关文章和论文，但在寻找答案时容易遗漏关键信息，导致错误结论。更令人担忧的是，即使智能体找到了直接指向正确答案的信息，仍然会被之前的错误结论误导，并且无法验证之前结论的正确性。

这些分析揭示了一个深层问题：虽然开源模型可以执行大量工具调用，但如果没有在智能体任务上进行明确训练，就无法基于检索到的内容和历史上下文进行专家级推理。这就像让一个从未接受过侦探训练的人去破解复杂案件——他们可能会收集很多信息，但缺乏分析和综合这些信息的能力。

**二、ASearcher的技术创新：打造AI侦探学院**

面对现有技术的局限，研究团队开发的ASearcher系统就像建立了一所专业的AI侦探学院，通过创新的训练方法培养出具备超强搜索能力的AI智能体。

ASearcher的核心创新在于实现了真正的长视野搜索能力。传统的批处理强化学习训练系统就像一个严格按时的工厂流水线，必须等待批次中最慢的任务完成后才能进行下一步。当某个任务需要进行长时间的深度探索时，整个系统都必须等待，造成大量的计算资源浪费。而ASearcher采用的全异步强化学习训练方法彻底改变了这种状况。

这种异步训练方法的工作原理就像让每个AI学员独立进行案例研究，不需要等待其他学员完成。每个轨迹独立发送工具调用请求到相应服务器，并向大语言模型推理引擎发送生成请求。来自不同轨迹的并发请求由服务器自动处理，确保一个轨迹在生成响应和等待工具调用响应时不需要等待其他轨迹。这种完全独立的轨迹执行大大提高了训练效率。

更重要的是，ASearcher实现了轨迹展开和模型更新的完全解耦。在传统的一步偏移强化学习训练中，第N步的训练和第N+1步的轨迹生成是同时执行的，但批次生成仍然受到最慢轨迹的瓶颈限制。而在ASearcher的全异步强化学习训练中，长轨迹不会阻碍生成过程，可以跨越多个版本，显著减少了计算资源的空闲时间，在生成过程中实现了接近满负荷的资源利用。在训练方面，一旦收集到足够的轨迹形成批次，训练步骤就会立即启动。

这种技术突破使得ASearcher能够支持极其宽松的轮次限制。对于7B和14B模型，系统设置了32轮的限制，而对于基于QwQ-32B的ASearcher-Web-QwQ，轮次限制达到了128轮。这种设计允许AI智能体探索更深入的搜索路径，而不会牺牲训练效率。实际训练结果显示，ASearcher-Web-QwQ实现了极端的长视野搜索，工具调用超过40轮，生成的tokens超过15万个。

为了验证长轨迹对复杂任务处理能力的重要性，研究团队进行了详细的缩放测试。他们在GAIA、xBench-DeepSearch和Frames数据集上评估了强化学习训练的QwQ-32B智能体，强制智能体使用不同的最小轮次数。结果清晰地显示，准确率随着轮次数的增加而提高，确认了复杂任务确实需要更长的轨迹才能有效解决问题。

ASearcher的另一项重要创新是开发了可扩展的问答合成智能体。这个系统就像一位经验丰富的案例编写专家，能够自主生成具有挑战性、不确定性和基础性的问答对。合成过程从种子问题开始，智能体通过两种关键行动迭代修改问题以增加复杂性：注入行动和模糊行动。

注入行动的作用是通过插入与问题相关的事实来丰富问题的上下文。智能体首先选择问题中的一个实体，然后从维基百科等外部来源获取关于该实体的相关事实，接着提出一个将事实注入问题的新问题。这种注入行动增加了问题的复杂性，就像给侦探案件增加更多背景信息和线索。

模糊行动则通过模糊问题中的某些细节来增加问题的不确定性水平。例如，"Catskill Mountain Railroad"可以被替换为"一条历史悠久的山地铁路"。通过多次模糊问题，问题的不确定性水平和难度都会逐渐增加，迫使AI需要进行更深入的搜索才能找到准确答案。

为了确保合成问题的高质量，ASearcher包含了严格的质量验证阶段。系统首先进行基本质量检查，使用大语言模型评估每个问题的基本质量，包括检查问题的清晰度，并基于支撑事实验证问答对是否准确。接着进行难度测量，使用前沿的大推理模型直接为合成问题生成多个答案，而不使用任何外部工具，这个验证过程也作为问题难度的衡量标准。最后检查答案唯一性，因为模糊行动可能会过度放松约束，损害答案的唯一性，系统会评估难度测量步骤中生成的任何不匹配答案是否可以作为替代的有效答案，以防止多个正确答案导致的歧义。

从14,107个种子问题开始，系统平均对每个问题执行6.3次注入和3.2次模糊操作。从合成池中，系统为每个种子问题最多选择三个高质量变体，最终产生了25,624个条目的数据集，选定的问题平均包含4.27次注入和2.10次模糊操作。

**三、训练系统的精巧设计：从学徒到专家的成长路径**

ASearcher的训练系统设计体现了从基础技能培养到专家能力提升的完整路径，就像一个精心设计的侦探训练课程。

在智能体设计方面，ASearcher采用了简洁而有效的架构。给定用户查询后，智能体可以使用两个基本工具：搜索引擎和网络浏览器。搜索引擎接受文本查询作为输入，返回相关片段及其对应的URL。网络浏览器接受URL并返回网页内容。为了有效处理复杂问题，模型必须战略性地结合这些工具并从大量数据中提取关键信息。

考虑到网页可能包含过长的内容，ASearcher让智能体对网页进行摘要，生成紧凑的总结。在训练时，这个摘要过程也会得到优化，使智能体能够通过强化学习训练提高摘要能力。这种端到端的训练方式确保了所有能力都能得到协调发展。

在框架实例化方面，ASearcher支持两种不同类型的模型：基础大语言模型（如Qwen2.5-7B/14B）和先进的大推理模型（如QwQ-32B）。这两种实例化需要在历史管理和提示方面采用不同的设计选择。

对于基础大语言模型，系统遵循先前工作的做法，采用仅追加式提示。具体来说，从系统提示开始，所有生成的响应、搜索结果和网页摘要都会追加到历史记录中。智能体将完整的历史记录按时间顺序作为输入，并输出一些推理文本和行动。这种方法确保了推理时的效率。

对于大推理模型，由于这些模型已经具备指令跟随能力，系统使用不同的提示来进行工具选择、摘要和回答。同时考虑到大推理模型通常生成较长的响应，有时历史记录会很长，系统需要确保紧凑的输入以确保模型能够生成具有足够预算的tokens。因此，在历史记录中，系统会丢弃思考过程，但保留摘要的思考和工具调用。在提示大推理模型时，只有历史记录的最近25k字符作为附加上下文提供给模型。这些简单的设计确保大推理模型接收到最多10k tokens的输入。

训练数据的构建体现了系统性和科学性。数据来源包括两个主要部分：经过仔细筛选的开源数据集样本和专门为引导智能体学习通用搜索策略而合成的高质量问答对。

在开源数据处理方面，系统从HotpotQA和2WikiMultiHopQA的训练集开始，这两个都是多跳问答数据集。系统采用基于模型的过滤过程，首先在完整的开源数据集上使用强化学习训练模型，然后使用训练好的模型为每个问题生成16个响应。最后筛选出满足特定标准的问题：模型在16次响应中无法找到正确答案的问题会被排除，模型达到50%或更高准确率的问题也会被排除，因为这意味着问题不够具有挑战性，以及模型仅用很少搜索轮次就能找到正确答案的问题同样被排除。这种过滤方法确保只保留最具挑战性但仍可解决的、需要工具使用的问题。最终，从总共30.4万个问答对中，系统保留了1.6万个具有挑战性的样本用于强化学习训练。

训练过程采用了GRPO算法，这是一种专门针对生成任务优化的强化学习方法。对于每个输入问题，系统生成多个轨迹，然后使用相对奖励计算优势函数。为了提高训练效率，系统实施了动态过滤，排除缺乏有意义训练信号的查询，包括所有响应产生相同奖励的查询（导致零优势），以及智能体已经达到高准确率的查询和答案标注错误的查询。

奖励函数的设计也体现了精巧的考量。系统采用稀疏奖励设置，在轨迹完成时计算奖励。在从基础大语言模型训练时，奖励函数结合了格式奖励和F1分数。在微调基于大推理模型的智能体时，系统使用LLM-as-Judge作为奖励函数，并省略格式奖励，因为这些模型本身就能维持适当的输出格式。

**四、实验验证：从理论到实践的完美演绎**

ASearcher系统的实际效果通过全面的实验验证得到了充分证明，就像一次彻底的能力测试展示了训练成果。

实验设计覆盖了三种不同的评估设置，全面检验了系统的能力。首先是本地知识库检索增强生成设置，在标准问答基准上测试；其次是基于网络的搜索和浏览设置，同样在标准基准上测试；最后是在更具挑战性的基准上进行基于网络的搜索和浏览测试。

在基准选择方面，研究团队精心选择了能够充分测试搜索智能的数据集。对于单跳和多跳问答任务，使用了Natural Questions、TriviaQA、PopQA、HotpotQA、2WikiMultiHopQA、MuSiQue和Bamboogle等经典数据集。对于更具挑战性的测试，采用了Frames、GAIA和xBench-DeepSearch作为额外测试集。这些数据集的选择确保了评估的全面性和挑战性。

搜索工具的配置也体现了实际应用的考量。在第一种设置中，智能体与本地部署的检索增强生成系统交互，从2018年维基百科语料库中检索相关信息。在另一种基于网络的搜索和浏览设置中，智能体在交互式网络环境中操作，可以访问搜索引擎和浏览器工具。对于更具挑战性的基准，只在基于网络的设置下进行评估。

实验结果令人印象深刻。在本地知识库设置下，ASearcher-Local在7B和14B规模的多跳和单跳问答基准套件上实现了最佳性能。在7B设置中，ASearcher达到了58.0的平均F1分数，超越了诸如Search-R1-7B（54.3）和R1-Searcher-7B（52.2）等强基线。在LasJ评分上达到61.0，显著优于Search-R1-7B（55.4）和R1-Searcher-7B（54.7）。在14B规模上，收益更加明显，ASearcher-Local-14B达到了60.0的F1分数和65.6的LasJ分数，甚至超过了更大的32B检索基线Search-R1-32B。

在基于网络的搜索和浏览设置中，结果更加引人注目。值得注意的是，完全使用本地知识库训练的模型在网络设置中以零样本方式进行评估，直接检验了通过强化学习学习的搜索策略的泛化能力。在两种模型规模下，ASearcher都持续优于强基线。特别是ASearcher-Web-14B以61.5的平均F1分数实现了最佳性能，超越了SimpleDeepSearcher这一在此设置中最强的32B基线。值得注意的是，ASearcher-Local-14B模型在基于网络的设置中测试时表现出强大的泛化能力，在LasJ方面相比所有相似或更大规模的基线模型都取得了显著提升。

在最具挑战性的基准测试中，ASearcher-Web-QwQ展现出了卓越的性能。在GAIA上获得52.8的Avg@4分数，在xBench-DeepSearch上获得42.1的分数，超越了之前最先进的开源智能体。这些结果进一步突出了系统在处理长视野规划、现实世界工具使用和开放域探索方面的优势。

强化学习训练效果的分析特别令人振奋。ASearcher-Web-QwQ在GAIA、xBench-DeepSearch和Frames上分别获得了9.1、13.4和12.0的提升。在考虑通过率（Pass@4）时，系统同样取得了显著提升，特别是在xBench-DeepSearch上获得了17.0的提升。通过率的显著提升证明了训练管道确实训练智能体学会了复杂的搜索策略，能够执行精确搜索、提取关键信息并解决冲突信息。

**五、训练动态分析：成长轨迹的深度剖析**

通过对训练过程的详细分析，研究团队揭示了AI智能体从新手到专家的成长轨迹，就像记录一名侦探从学徒到大师的完整历程。

对于ASearcher-Local-7B和14B模型的训练动态分析显示了有趣的规律。随着训练的进行，两个规模的模型都观察到了长度增加和工具调用数量的增加。特别值得注意的是，搜索查询数量增加到6次，这比先前工作报告的数字更高。

更有趣的发现是模型规模对学习能力的影响。研究团队发现7B模型无法学会有效的网页浏览，而14B模型能够在训练后期学会访问网页来解决具有挑战性的问题。研究团队假设7B模型在学习网页浏览方面的失败是因为模型容量太小，无法在零强化学习训练设置中稳定地学习总结冗长网页的能力。这个发现揭示了模型规模与复杂技能学习之间的重要关系。

ASearcher-Web-QwQ的训练动态更加令人印象深刻。随着训练的进展，智能体学会了执行更多的工具调用，在第200步左右达到了大约40次调用的最大值，峰值实例甚至达到了70次调用。同时，QwQ-32B智能体通过训练生成了更多tokens，最多超过15万个。这种工具使用和输出长度的扩展趋势突出了全异步强化学习训练对复杂现实世界智能体应用的潜力。

训练过程中的复杂任务处理能力提升也得到了验证。研究团队通过强制智能体使用不同最小轮次数的测试证实，复杂任务确实需要更长的轨迹才能有效解决问题。这种能力的发展不是偶然的，而是通过系统性训练获得的可靠技能。

轨迹执行时间的高方差是训练过程中的一个重要特征。分析工具调用数量和训练期间的token生成情况显示，最长的轨迹可能比较短的轨迹多出数十次工具调用和两个数量级的tokens。这种差异导致了每个轨迹运行时间的高度不可预测性，进一步使训练效率复杂化。正是这种挑战促使了全异步训练方法的开发。

**六、实际应用案例：专家级搜索智能的完美展现**

通过一个具体的复杂案例，我们可以清楚地看到ASearcher训练出的智能体与现有方法之间的巨大差异，就像对比初学者和专家侦探处理同一个复杂案件的不同表现。

这个案例来自GAIA数据集中的一个极具挑战性的问题：要求找出同时提到在某篇2021年文章和两位研究者论文中的特定动物，而问题中包含了四个未知变量。要正确回答这个问题，搜索智能体需要首先根据"以哥本哈根命名的属"这一条件找出提到的物种，识别基于维基百科页面引用的正确2021年文章，然后找出两位提到人员的论文，最后通过交叉引用2021年文章和论文确定正确答案。

这个问题的挑战性体现在多个方面。首先是高度不确定性，问题涉及多个未知变量，可能指向许多不同的实体。例如，2021年文章可能指向任何在2021年发布的文章，只有通过检查alvei物种维基百科页面中的"多中心、随机、双盲研究"才能确定。其次是对精确信息提取的要求，为了找到答案，智能体应该列出网页上提到的所有动物并进行跨文档比较，这需要智能体从大量嘈杂的网络内容中精确提取关键信息。最后是存在误导性答案，在解决这个任务的过程中，可能会有多个误导性答案，如"猪"，智能体应该通过检查相关网页和文档中的预期答案来严格验证其结论。

现有在线强化学习方法的表现暴露了严重问题。SearchR1-32B无法将复杂查询分解为独立组件，因此只能进行涉及过多未知信息的模糊查询。智能体还出现严重的幻觉现象，产生搜索结果无法支持的结论，最终无法解决所有未知信息。由于训练期间轮次限制设置为较小值（如4），模型只表现出短暂的工具使用视野。

基于提示的大语言模型智能体也存在明显不足。Search-o1（QwQ）虽然能够通过大量工具调用找到物种名称以及2021年文章和相关论文，但在寻找答案时容易遗漏关键信息，导致错误结论。即使智能体找到直接指向正确答案的信息，仍然会被之前的错误结论误导，最终无法验证之前结论的正确性。

相比之下，ASearcher-Web-QwQ展现出了真正的专家级搜索智能。智能体将复杂查询分解为精确的查询，每次专注于访问一个网站，而不是像Search-o1（QwQ）那样在每次搜索查询后访问大量网站。智能体对网站的所有相关信息进行总结，特别是列出并仔细分析所有候选答案。

更令人印象深刻的是，当搜索结果没有直接指向所需目标时，比如搜索"Olga Tapia Hafnia alvei动物研究"来找到与Olga Tapia论文相关的动物时，智能体虽然没有获得清晰信息，但能够通过与另一篇论文建立联系来推断正确答案。找到正确答案"小鼠"后，智能体在报告最终答案前花费了额外轮次来验证之前的结论。

这个案例完美展示了ASearcher成功训练出的搜索智能体具备的专家级搜索行为：不确定性感知推理，即智能体详尽地列出并检查不确定实体的所有可能性；精确关键信息提取，智能体能够从大量嘈杂的网络内容中识别关键信息；跨文档推理，智能体能够通过在多个文档间建立连接来推断关键结论；基础验证，智能体通过访问或搜索相关材料来验证之前结论的正确性。

**七、技术影响与未来展望：开启智能搜索新时代**

ASearcher的研究成果不仅在技术层面取得了重大突破，更为整个AI搜索领域的发展指明了方向，就像在侦探学领域建立了全新的培训标准和方法论。

从技术贡献角度来看，这项研究解决了限制开源搜索智能体发展的两个关键瓶颈。全异步强化学习训练系统的开发使得长视野搜索成为可能，同时保持了高训练效率。这种方法不仅适用于搜索任务，也为其他需要长序列处理的AI应用提供了宝贵的技术路径。数据合成智能体的设计则为高质量训练数据的自动生成提供了可行方案，这在AI训练数据日益稀缺的背景下具有重要意义。

实验结果的多样性和一致性证明了ASearcher方法的通用性和可靠性。无论是在本地知识库还是真实网络环境中，无论是处理标准问答任务还是复杂的多步推理问题，训练出的智能体都表现出了稳定的优越性能。特别是模型从本地训练环境到网络环境的零样本泛化能力，证明了强化学习确实能够让AI学会通用的搜索策略，而不是简单的任务特定技巧。

开源贡献的价值不可低估。ASearcher项目将模型、训练数据和代码全部开源，为研究社区提供了完整的技术栈。这种做法不仅促进了技术的快速传播和改进，也降低了其他研究者进入这一领域的门槛。特别是合成的25,624个高质量问答对和训练得到的多个规模模型，为后续研究提供了宝贵的基础资源。

从实际应用前景来看，具备专家级搜索智能的AI系统将在多个领域产生深远影响。在学术研究中，这样的系统能够帮助研究人员快速定位相关文献、分析研究趋势、发现知识空白。在商业分析中，智能体可以进行深度市场调研、竞品分析、风险评估。在教育领域，个性化的智能导师能够根据学生问题提供准确、全面的答案和解释。在新闻媒体行业，智能体可以协助记者进行深度调查报告，交叉验证信息来源。

技术演进的趋势也值得关注。随着计算资源的进一步提升和训练方法的不断优化，未来的搜索智能体可能具备更强的多模态处理能力，不仅能够处理文本信息，还能分析图像、视频、音频等多种形式的内容。同时，智能体的推理能力也将进一步增强，能够处理更加抽象和复杂的问题，甚至具备一定的创造性思维。

然而，这种技术发展也带来了需要认真考虑的挑战。随着AI搜索能力的增强，如何确保信息的准确性和可靠性变得更加重要。虽然ASearcher展现了出色的交叉验证和信息核实能力，但在处理故意误导信息或深度伪造内容时仍可能面临挑战。此外，强大的搜索能力也可能被恶意利用，如何在提升技术能力的同时确保使用的安全性和伦理性，是整个行业需要共同面对的问题。

从长远发展来看，ASearcher开创的全异步训练方法可能会影响更广泛的AI训练领域。随着AI任务变得越来越复杂，需要更长的推理过程和更多的工具调用，传统的同步训练方法将面临越来越大的效率瓶颈。ASearcher验证的异步训练范式为解决这些挑战提供了有效路径，有望在更多AI应用中得到推广。

最终，这项研究的意义不仅在于技术本身的突破，更在于它为AI能力的进一步发展树立了新的标杆。通过证明开源系统也能达到专家级的搜索智能水平，ASearcher为整个AI研究社区带来了信心和动力。随着更多研究者和开发者基于这些开源资源进行创新，我们有理由相信，更加智能、可靠、有用的AI搜索系统将不断涌现，真正实现让AI成为人类知识探索和问题解决的强大助手的愿景。

Q&A

Q1：ASearcher是什么？它相比现有的AI搜索系统有什么突破？

A：ASearcher是清华大学和蚂蚁集团联合开发的AI搜索智能体训练系统。它的核心突破是让AI能进行超过40轮的深度搜索，生成超过15万字的分析内容，而传统系统只能进行10轮以内的搜索。通过全异步强化学习训练，ASearcher培养出的AI具备了专家级搜索能力，能够处理复杂问题、交叉验证信息并进行深度推理。

Q2：全异步强化学习训练方法为什么这么重要？

A：传统训练方法就像工厂流水线，必须等最慢的任务完成才能继续，造成大量等待时间。全异步训练让每个AI学员独立工作，不互相等待，大大提高了训练效率。这使得AI能够进行真正的长时间深度探索，而不会拖慢整个训练过程，为培养复杂推理能力奠定了基础。

Q3：普通人什么时候能用上这种AI搜索技术？

A：目前ASearcher的所有代码、模型和训练数据都已经开源，技术人员可以立即使用。对于普通用户来说，随着开源社区的发展和商业应用的推进，预计在未来1-2年内就能在各种搜索产品和AI助手中体验到这种专家级搜索能力，帮助我们更高效地获取准确信息和解决复杂问题。