---
title: "Absolute Zero – 清华大学等机构推出的语言模型推理训练方法"
url: "https://paooo.com/aigc-news/19960/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T09:59:37+08:00"
updated_at: "2026-06-08T09:59:37+08:00"
categories: "AIGC 资讯"
tags: "AI智能体, AI编程, HuggingFace, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Absolute Zero – 清华大学等机构推出的语言模型推理训练方法

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/19960/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 模型同时扮演任务提出者与求解者，通过环境反馈实现自我进化式推理训练。
- 无需人类标注数据或预定义任务，依靠可学习性奖励与解答奖励持续优化能力。
- 支持演绎、溯因、归纳三类推理模式，适合代码、数学与通用 NLP 任务迁移。

## Absolute Zero是什么

Absolute Zero是清华大学 LeapLab 团队联合北京通用人工智能研究院 NLCo 实验室和宾夕法尼亚州立大学推出的全新语言模型推理训练方法。Absolute Zero基于模型自我提出任务自主解决，实现自我进化式学习，无需依赖人类标注数据或预定义任务。模型在提出任务时获得可学习性奖励，在解决问题时获得解答奖励，基于与环境交互不断优化自身推理能力。Absolute Zero的核心在于推动推理模型从依赖人类监督向依赖环境监督转变，让模型用真实环境的反馈生成可验证的任务提升性能。

## Absolute Zero的主要功能

- **任务自主生成**：模型自主提出具有可学习性的任务，任务不过于简单，也不过于复杂，能为模型提供有效的学习信号。

- **任务自主解决**：模型作为求解者，尝试解决自己提出或生成的任务，基于环境反馈验证解答的正确性。

- **推理能力提升**：不断提出和解决任务，模型的推理能力（如归纳、演绎、溯因等）得到持续增强。

- **跨领域泛化**：模型基于自我学习获得的通用推理能力，迁移到新的任务和领域中。

- **零数据训练**：完全不依赖人工标注数据或人类设计的任务，基于与环境的交互和反馈进行学习。

## Absolute Zero的技术原理

- **双重角色模型**：模型同时扮演任务提出者（Proposer）和任务求解者（Solver）两个角色。提出者生成任务，求解者尝试解决任务，两者共享模型参数同步优化。

- **环境反馈机制**：模型与环境（如代码执行器）交互，环境验证任务的可解性提供反馈。提出的任务获得可学习性奖励（基于任务的难度和模型的解答成功率），求解的任务获得解答奖励（基于解答的正确性）。

- **强化学习优化**：用强化学习算法（如TRR++）优化模型参数，结合可学习性奖励和解答奖励，实现多任务下的自我进化学习。

- **推理模式支持**：支持三种基本推理模式，演绎（Deduction）、溯因（Abduction）和归纳（Induction）。每种推理模式对应不同的任务类型，模型解决这些任务提升特定推理能力。

- **自博弈闭环**：模型不断提出新任务、求解任务，根据环境反馈更新策略，形成一个闭环的自博弈学习过程。闭环机制确保模型持续优化自身能力，无需外部数据支持。

## Absolute Zero的项目地址

- **项目官网**：[https://andrewzh112.github.io/absolute-zero-reasoner/](https://andrewzh112.github.io/absolute-zero-reasoner/?utm_source=ai-bot.cn)

- **GitHub仓库**：[https://github.com/LeapLabTHU/Absolute-Zero-Reasoner](https://github.com/LeapLabTHU/Absolute-Zero-Reasoner)

- **HuggingFace模型库**：[https://huggingface.co/collections/andrewzh/absolute-zero-reasoner](https://huggingface.co/collections/andrewzh/absolute-zero-reasoner-68139b2bca82afb00bc69e5b)

- **arXiv技术论文**：[https://www.arxiv.org/pdf/2505.03335](https://www.arxiv.org/pdf/2505.03335)

## Absolute Zero的应用场景

- **通用人工智能（AGI）**：推动模型自主学习和进化，逐步接近人类智能水平。

- **代码生成**：自动生成高效代码，解决复杂编程问题，提升开发效率。

- **数学推理**：提升模型在数学问题上的泛化能力，辅助数学教育和研究。

- **自然语言处理（NLP）**：基于自我学习提升语言理解和生成能力，优化文本生成和问答系统。

- **安全与伦理**：研究AI自主进化中的行为模式，确保系统安全性和伦理性。

## 常见问题解答 (FAQ)

### Absolute Zero 是什么训练方法？
Absolute Zero 是清华大学等机构提出的语言模型推理训练方法，核心是让模型自己提出任务、自己解决任务，并通过环境反馈进行强化学习优化，从而在不依赖人工标注数据的情况下提升推理能力。

### Absolute Zero 为什么被称为零数据训练？
因为它不需要人类标注数据或预定义任务，而是由模型在环境中自主生成可学习任务，再根据解答结果获得奖励并持续迭代，形成自我进化式学习闭环。

### Absolute Zero 适合哪些应用场景？
文章提到它适用于 AGI 研究、代码生成、数学推理、自然语言处理，以及安全与伦理分析等场景，尤其适合需要可验证推理和跨领域泛化能力的任务。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
