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
- SPSD:把 MuZero 自博弈搜索蒸馏成 LLM 推理链,数学成绩 24.1→36.6 — PMinervini · 2026-09-29
- 新论文 SPSD:用棋盘游戏自博弈搜索蒸馏出超人类思维链,数学均分 24.1 提至 36.6 — PMinervini · 2026-09-29
- 自博弈搜索蒸馏 SPSD:把棋盘搜索记录变成超人类思维链 — Lorenzo Molfetta · 2026-09-30