Cet article présente ASearcher, un projet open source visant à améliorer les capacités de recherche des agents basés sur des modèles de langage à grande échelle (LLM). Les agents LLM existants s'appuient fortement sur des outils externes, notamment des outils de recherche, pour gérer des tâches complexes. Cependant, ils ne parviennent pas à atteindre une intelligence de recherche de niveau expert (par exemple, résoudre des questions ambiguës, générer des réponses précises, analyser les résultats et réaliser une exploration approfondie). Pour surmonter ces limitations, ASearcher propose un cadre d'apprentissage par renforcement (RL) asynchrone, évolutif et efficace. L'agent LLM génère son propre jeu de données questions-réponses (QA) de haute qualité et peut effectuer des recherches à long terme (plus de 40 tours, avec plus de 15 000 jetons de sortie). Les résultats expérimentaux démontrent qu'il surpasse les agents 32B open source existants sur les benchmarks xBench et GAIA. Le modèle, les données d'apprentissage et le code sont accessibles au public.
