Drzero

Ce dépôt contient le code pour Dr. Zero : Agents de Recherche Autoévolutifs sans Données d'Entraînement. Dans ce travail, nous introduisons Dr. Zero, un cadre permettant aux agents de recherche de s'autoévoluer efficacement sans aucune donnée d'entraînement. En particulier, nous concevons une boucle de rétroaction d'autoévolution où un proposeur génère des questions diverses pour entraîner un solveur initialisé à partir du même modèle de base. À mesure que le solveur évolue, il incite le proposeur à produire des tâches de plus en plus difficiles mais solvables, établissant ainsi un cursus automatisé pour affiner les deux agents. Pour améliorer l'efficacité de l'entraînement, nous introduisons également l'optimisation de politique relative groupée par sauts (HRPO). Cette méthode regroupe des questions structurellement similaires pour construire des bases de référence au niveau du groupe, minimisant ainsi efficacement le coût d'échantillonnage lors de l'évaluation de la difficulté et de la solvabilité individuelles de chaque requête. Par conséquent, HRPO réduit considérablement les exigences de calcul pour l'entraînement du solveur sans compromettre la performance ou la stabilité. Des résultats expérimentaux étendus démontrent que le Dr. sans données.