不用引入外部數據，通過自我博弈（Self-play）就能讓預訓練大模型學會推理？

來自清華、北京通用人工智能研究院和賓夕法尼亞州立大學的研究人員，提出了一種名為“絕對零”（Absolute Zero）的訓練方式。

這種方法通過讓大模型根據推理目標，自己生成并解決任務，便可以獲得推理能力。

測試中，用“絕對零”訓練出的模型，表現已經超過了用專家標注樣本訓練的模型。

并且“絕對零”方法只需在代碼環境中訓練，但可以讓模型在數學推理上也取得顯著進步。

這項研究也在Reddit上引發了討論，開帖轉載的網友驚嘆：會自我進化的AI已經被解鎖了？

在出題-做題中自我學習

“絕對零”采用了一種自我博弈的學習范式。在這個范式下，一個統一的語言模型扮演Proposer和Solver兩個角色。

Proposer負責生成新的推理任務，Solver負責解決這些任務。通過兩個角色的交替和協同，模型可以自主地構建學習任務分布，并在求解任務的過程中不斷提升推理能力。

“絕對零”將所有的推理任務統一表示為(p,i,o)（即程序，輸入，輸出）的三元組形式。

這里的程序是一段可執行的代碼，輸入是該程序的輸入數據，輸出是程序在給定輸入下的輸出結果。

通過這種形式化的表示，原本抽象的推理任務被轉化為了一個個具體的程序設計問題，語言模型可以通過生成和操作代碼來完成任務的生成和求解。

根據p、i、o是否已知，“絕對零”將推理任務劃分為三種基本類型——溯因（Abduction）、演繹（Deduction）和歸納（Induction）:

• 溯因任務：已知p和對應的o，求可能的i。這類任務考察模型根據結果反推條件、理解代碼語義的能力；
• 演繹任務：已知p和i，求o。這類任務考察模型運行和理解代碼邏輯的能力；
• 歸納任務：已知一組i-o樣例,求一個統一p。這類任務考察模型歸納總結規律、生成代碼的能力。

在自我博弈的訓練開始前，“絕對零”需要一個初始的任務集合作為種子（如果基礎模型足夠強也可以不用）。這個種子集合通過基礎語言模型生成一些有效的代碼(p,i,o)得到。

當種子集合為空時，“絕對零”會使用一個預定義的“zero triplet”作為起點，實際上就是一個簡單的恒等函數：

在每一輪迭代中，Proposer首先根據當前已有的任務集合和給定的任務類型，生成一個新的推理任務。

具體來說，它會先從歷史任務中采樣一些相關的例子作為參考，然后利用語言模型的生成能力，產生一個新的(p,i,o)三元組。

• 對于abduction任務，需要生成p和o，但不生成i；
• 對于deduction任務，需要生成p和i，但不生成o；
• 對于induction任務，需要生成一組輸入輸出對(i,o)，但不生成p。

另外對于induction任務，Proposer還會從歷史的abduction和deduction任務中采樣一個程序p，然后生成與之匹配的N個輸入輸出對(i,o)，以及一段自然語言描述。

這種做法可以為induction任務提供更豐富的上下文信息，幫助Solver更好地理解和求解任務。

在生成過程中，Proposer會嘗試控制新任務的難度和新穎度，以確保生成的任務對于當前的Solver來說既有意義又具備挑戰性。

具體來說，“絕對零”引入了一個“可學習性”（learnability）的概念，用于估計一個任務對于當前的Solver模型來說有多大的學習價值。

它的計算方法是讓Solver試著解決這個任務并統計其成功的概率。如果任務太簡單或太難，那么這個任務的可學習性就會很低。Proposer的目標就是生成可學習性適中的任務。

生成出的新任務將被送到一個獨立的代碼執行器中進行驗證，執行器會實際運行Proposer生成的程序，檢查其是否滿足以下條件:

• 語法正確性：程序能夠在Python解釋器中正常執行，沒有語法錯誤；
• 安全性：程序沒有使用任何不安全的操作或庫，如文件讀寫、系統調用等；
• 確定性：程序在相同的輸入下，總是產生相同的輸出，沒有隨機性或不確定性。

通過這三個條件的檢查，執行器可以濾除絕大部分無效或有害的任務。

對于通過驗證的任務，執行器還會計算“可學習性獎勵”，作為對Proposer行為的反饋。

最后，所有通過驗證的任務會被存入一個任務buffer池中，供后續的訓練使用。

在篩選完推理任務后，“絕對零”會轉換為Solver的角色，開始解決這些任務，具體方式同樣會根據任務的類型而有所不同:

• 對于abduction任務，Solver要根據給定的p和o推斷可能的i。這個過程類似于“反向執行”程序；
• 對于deduction任務，Solver要根據給定的p和i推斷出o。Solver需要模擬程序的執行過程，得出最終的輸出結果；
• 對于induction任務，Solver要根據輸入輸出對(i,o)，推斷可能的程序p。Solver需要從有限的樣本中總結出一般性的規律。

在求解任務的過程中，Solver可以利用語言模型已有的知識（如常見的算法模式、編程慣例等）來輔助任務的求解。

Solver生成的解會再次通過代碼執行器進行驗證。執行器會檢查Solver給出的輸入、輸出或程序是否真的滿足任務的要求。

如果滿足，則視為Solver成功解決了任務，并給予相應的獎勵；否則視為Solver失敗，不給予獎勵或給予懲罰。

這個獎勵信號會作為Solver行為的反饋，幫助Solver學習如何更好地解決各種類型的推理任務。

同時，Solver的解決方案也會被記錄下來，作為未來生成和求解類似任務的參考。

在每一輪迭代結束時，“絕對零”都會使用Proposer和Solver收集到的反饋信號，對整個模型進行聯合優化和更新，使得Proposer生成的任務更有利于學習，Solver解決任務的能力也越來越強。

經過多輪迭代，“絕對零”最終可以收斂到一個很好的均衡點，在這個點上，Proposer生成的任務恰好匹配Solver的能力，Solver又能夠從這些任務中學到足夠多的知識。

數學代碼任務性能雙提升

在編程任務上，研究者使用了HumanEval+、MBPP+和LCB三個數據集。

與未經“絕對零”訓練的版本相比，“絕對零”將Qwen-2.5-7B-Coder的HumanEval+通過率從80.5%提高到了83.5%，將MBPP+的通過率從69.3%提高到了69.6%，將LCB的通過率從19.9%提高到了31.7%。

在數學推理任務上，研究者選取了6個具有代表性的數據集進行評測,包括AME’24、AME’25、AMC’23、MATH500、Minerva和Olypiad。

“絕對零”在這6個數據集上的平均準確率達到了39.1%，比未經“絕對零”訓練的baseline高出了15.2個百分點。

其中，在MATH500數據集上，“絕對零”的準確率達到了72.6%，超出baseline 22.6個百分點；在AMC’23數據集上，“絕對零”的準確率為57.5%,超出baseline 17.5個百分點。

除了Qwen-2.5-7B-Coder，研究者還在其他幾個預訓練語言模型上測試了“絕對零”的性能：

• Qwen-2.5-3B-Coder：應用“絕對零”后編程任務平均通過率從51.2%提高到了54.9%，在數學任務上的平均準確率從18.8%提高到了26.5%；
• Qwen-2.5-14B-Coder：應用“絕對零”后,在編程任務上的平均通過率從60.0%提高到了63.6%，在數學任務上的平均準確率從20.2%提高到了43.0%；
• Llama-3.1-8B：應用“絕對零”后在編程任務上的平均通過率從28.5%提高到了31.6%，在數學任務上的平均準確率從3.4%提高到了6.8%。

通過對不同規模和類型的語言模型的測試，研究者還發現“絕對零”的性能提升與模型規模呈正相關——參數越多的模型，訓練后的性能提升也越大。

例如在數學任務上，30億參數的Qwen-2.5-3B-Coder模型提升了7.7個百分點，而140億參數的Qwen-2.5-14B-Coder模型則提升了22.8個百分點。

這表明“絕對零”能夠有效地利用大模型的能力，實現更高的推理性能提升。

論文地址：
https://arxiv.org/abs/2505.03335
參考鏈接：
https://www.reddit.com/r/singularity/comments/1kgr5h3/selfimproving_ai_unlocked/