准确率预测器是神经架构搜索（Neural Architecture Search, NAS）中用于对候选架构进行排序的关键组件。然而，构建高质量的准确率预测器通常需要巨大的计算开销。为解决这一问题，我们提出了一种新颖的零样本指标——Zen-Score，用以替代传统的准确率预测器来对架构进行排序。Zen-Score 反映了网络的表达能力，并与模型的实际准确率呈正相关。其计算仅需对一个随机初始化的网络进行少量前向推理，无需训练网络参数。基于 Zen-Score，我们进一步提出了一种新的 NAS 算法——Zen-NAS，该算法在给定推理预算条件下，通过最大化目标网络的 Zen-Score 来实现高效搜索。在不到半张 GPU 日的计算开销内，Zen-NAS 即可实现无需数据的端到端高性能架构搜索。相较于以往的 NAS 方法，Zen-NAS 在多个服务器端与移动端 GPU 平台上均展现出数量级的加速性能，同时在 ImageNet 上达到了当前最优的准确率水平。相关源代码与预训练模型已开源，地址为：https://github.com/idstcv/ZenNAS。