SPSD 论文:自博弈搜索蒸馏提升 LLM 推理

爱丁堡大学 Pasquale Minervini 团队发布 arXiv 论文,提出 Self-Play Search Distillation(SPSD)框架:先用 MuZero 式网络在棋盘游戏上自博弈搜索,再通过可执行环境把搜索过程转化为结构化推理问题,蒸馏出"超人类"思维链来训练 LLM。实验显示,该方法将数学基准平均分从 24.1 提升至 36.6,证明自博弈搜索经验可迁移增强大模型推理能力。

2026-09-29 ~ 2026-09-30 · 3 条相关