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 · hf · 2026-09-30
SPSD(Self-Play Search Distillation)框架用 MuZero 式网络在棋盘游戏中自博弈,通过可执行环境把搜索过程转化为结构化推理问题,生成「超人类」合成数据。
- 数据生成:专家(搜索网络)在每个状态给出偏好决策、合理备选、对手可能回应与价值估计,将自博弈搜索记录转成有环境依据的思维链,绕开人工标注与低质合成数据瓶颈。
- 迁移能力:虽然只在棋盘自博弈数据上训练,却能迁移到未见过的数学题。
- 效果:在 Qwen3-4B-Base 上,六个数学基准平均分从 24.1 提升到 36.6,held-out 棋类胜率从 15% 升至 45%。
- 意义:提供了一种标注成本低的高质量合成推理数据生产方式。
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
- Google 开源 PaperOrchestra:多 Agent 自动写 AI 研究论文 — google-research · 2026-11-16
- ICLR 审稿人未被打动仍提分:因相信论文对社区有价值 — MarkSchmidtUBC · 2026-11-16
- 手改0.2%权重加CPU训练100分钟,英语TTS模型变身18MB梵语语音 — kastnerkyle · 2026-11-16
- 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
- RSS 2027 投稿开启:两阶段评审 FAQ 澄清负面结果标准 — GeorgiaChal · 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