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 · x · 2026-09-29
爱丁堡大学 Pasquale Minervini 团队发布 arXiv 论文《Self-Play Search Distillation for LLM Reasoning》,提出用 MuZero 类网络在棋盘游戏上自博弈,把搜索记录转化为「超人类」思维链来训练 LLM 推理:
- 方法:利用可执行环境把搜索过程变成结构化推理问题,每一步由专家标注首选决策、备选方案、对手回应与价值估计,再蒸馏成有环境依据的监督数据,绕开合成数据质量低与人工标注贵的瓶颈。
- 结果:在 Qwen3-4B-Base 上,六个数学基准平均分从 24.1 提升至 36.6;留出棋局的胜率从 15% 升至 45%,说明能力可迁移到未见过的数学任务。
- 意义:作者称大规模自博弈合成环境可能成为无限的超人类后训练数据来源。研究为第一作者 Lorenzo Molfetta 在爱丁堡访问期间与 UniboNLP 合作完成。
所属事件:SPSD 论文:自博弈搜索蒸馏提升 LLM 推理(3 条相关)→
「研究」频道最新
- 为什么 AI 做化学必须懂手性:对映异构体在生物体内并不等价 — madeofAjala · 2026-11-16
- Mobile AI Factory:agent 自动为你的手机造专用小模型,GPU 时间省 19 倍 — pmttyji · 2026-11-16
- UC Berkeley 论文揭示 LLM「过期绑定」:新值在上下文中仍答旧值 — ombre-ai · 2026-11-16
- LatamGPT 开源 1.78 亿篇拉美多语言语料登陆 Hugging Face — OmarUFlorez · 2026-11-16
- TotalSegmentator 在常规胸 CT 中量出 42mm 扩张主动脉 — MaziyarPanahi · 2026-11-16
- Tivadar Danka 发布 4000 字图解机器学习所需图论长文 — TivadarDanka · 2026-11-16