AI 通过自问自答就能提高推明智商？！

这恰是卡内基梅隆大学团队建议的新框架SQLM——一种无需外部数据的自我发问模子。

该框架包含发问者（proposer）息争答者（solver）两个变装，发问者生成与给定主题关联的问题，解答者旨在责罚问题。

网友们神评，"几乎是带有 RL 的 GAN "。

值得一提的是，此团队中又双叒叕现华东说念主身影～

通过强化学习最大化生机奖励

现时大言语模子的磨砺很猛进程上仍依赖东说念主奥密理数据集，号称费时起劲。

为了缩短这一背负，磋商东说念主员开发了用于强化学习的无监督奖励函数。然则，这些函数仍然依赖于事前提供的高质地输入教导。

因此，问题的难点从"生成谜底"动荡到了"生成高质地问题"。

这突显出现时要道的一个短处不及：

枯竭一种可彭胀且自我保管的经由，大致在无东说念骨干扰的情况下自动生成挑升旨的问题和谜底。

为此，磋商者建议了SQLM 框架，一种非对称的自我博弈框架，其中发问者，解答者回复该问题，两者均通过强化学习进行磨砺，以最大化生机奖励。

其中，发问者生成问题会对解答者酿成条目影响，而解答者的发达又反过来为发问者提供奖励，从而胁制优化发问者。

由于枯竭果然谜底，磋商者运筹帷幄了基于"生成者–考据者差距"的自监督奖励函数。

若生成器 - 考据器差距小（举例算数问题），则弃取大量投票行为代理奖励。

若生成器 - 考据器差距大（举例编程问题），先由发问者生成测试用例，奖励则基于通过测试的比例。

这种极小极大式的磨砺框架通过自博弈末端了踏实磨砺，并使奖励机制大致针对具体问题进行自符合颐养。

为了评估模子的不同智商，磋商者进行了三部分任务，并使用 Qwen2.5-3B-Instruct 启动现实。

算术任务

磋商东说念主员让发问者生成一个三位数的算数问题，并将其行为解答器的输入。他们按照 TinyZero 的开拓，构建了一组包含 4096 个三位数乘法问题的测试集。

代数任务

磋商者让模子生成最多包含两个变量的线性方程，并在 OMEGA 基准中的 100 说念线性方程测试题上进行评估。

编程问题

他们让模子生成近似 LeetCode 中浮浅题的问题，输入为整数列表，输出为单个整数或另一个列表，并在 Codeforces 测试集的一个子集上进行评估。

现实恶果清晰，SQLM 将 Qwen2.5-3B-Instruct 在算术任务上的准确率提高了 14%，在代数任务上提高了 16%；在编程任务上的准确率提高了 7%。

此外，上表还清晰出 SQLM 显耀优于形式奖励基线（用于踏实磨砺和设施输出形式的参考值），标明推明智商的信得过提高。

团队先容

Lili Chen，本科毕业于加州大学伯克利分校，现博士就读于卡内基梅隆大学。

Katerina Fragkiadaki，卡内基梅隆大学机器学习系忖度机科学副磨真金不怕火，博士毕业于宾夕法尼亚大，曾在加州大学伯克利分校担任博士后磋商员，并于谷歌磋商院责任。

Hao Liu，博士毕业于加州大学伯克利分校，曾任谷歌 DeepMind 磋商员，行将出任卡内基梅隆大学机器学习系的助理磨真金不怕火。

Deepak Pathak，Skild AI 首创东说念主，本科就读于印度理工学院坎普尔分校，博士毕业于加州大学伯克利分校，曾在 Meta 担任了一年的磋商员，现任卡内基梅隆大学忖度机科学学院的助理磨真金不怕火。

参考相接：

[ 1 ] https://x.com/iScienceLuvr/status/1953052817012474353

[ 2 ] https://arxiv.org/abs/2508.03682

一键三连「点赞」「转发」「留意心」

接待在驳斥区留住你的思法！

—  完  —

� � 但愿了解 AI 居品最新趋势？

量子位智库「AI 100」2025 上半年

「旗舰居品榜」和「鼎新址品榜」

给出最新参考� �

� � 点亮星标 � �

科技前沿进展逐日见九游体育app官网