出题的和解题的是同一个 AI，20.7 分的模型自己练到 63.6
健身的人都懂一个铁律：配重太轻，做一百次也不长肌肉；配重太重，直接受伤退赛。真正的进步发生在"刚好力竭"的那组重量上。AI 训练圈最近把这条铁律搬进了自博弈——阿里 Qwen 团队开源的 Skill Self-Play，让模型自己出题、自己解题、自己编教材，而整套系统的灵魂只有一句话：把题目的难度，死死锚定在模型的"刚好力竭"线上。
效果有多离谱？同一个 Ministral-3-8B 模型，工具调用准确率只有 20.7 分，几乎不会按格式调工具。常规的自博弈练 5 轮，涨 0.1 分，等于没练。换上 Skill-SP，同样 5 轮、同样基座、没有任何更强的外部老师，冲到 63.6 分。
自博弈的死胡同，卡在哪
先说背景。让 AI 自己教自己（self-play）是这两年的热门路线：AlphaZero 靠它横扫棋类，Absolute Zero 证明了语言模型也能零数据自我进化。但路线很快撞上两堵墙：环境绑定的方法（写代码、跑测试）反馈精确，可学的东西太窄；放开让模型自由出题，任务五花八门，却没法验证对错——错误的奖励一旦混进训练循环，整套系统就在污染里越陷越深，这个坑有个专门的名字，reward hacking。自博弈的前辈们在这两堵墙之间反复横跳，代价是模型多样性坍缩。
Qwen 团队的判断是：缺一个中间层。既要有足够的广度，又要每道题都验得了。他们选中的，是 Anthropic 在 2025 年带火的 agent skill——但用法和所有人都不一样。
把 Skill 从提示词塞进训练循环
过去一年，大家把 skill 当成推理时的小工具：模型用到哪个加载哪个，本质是给上下文塞说明书。Skill-SP 做的事是把技能挪进训练循环，当成"课程引擎"。在它的定义里，一个技能包不只是说明书，而是六件套：路由元数据、规则、生成提示、few-shot 示例、可执行验证器，外加历史统计。
整套系统三个角色一起滚：出题者（Proposer）按采样的技能生成任务；解题者（Solver）做题、被训练；技能控制器（Skill Controller）盯着执行轨迹，改写失灵的技能、淘汰只出简单题的技能、把探索出来的新玩法归纳成新技能。5 轮下来，活跃技能从零涨到 86 个。
对应到健身房的隐喻：技能库是课表，出题者是按课表配重的教练，解题者是练的人，控制器是定期调整课表的私教主管。而"刚好力竭"这条线，被写成了一个极简的奖励公式——任务成功率越靠近 0.5，出题者拿的奖励越高。太简单的题（成功率 0.7+）和太难的题（0.3 以下）都不值钱。实测数据也印证了这点：技能流出的题平均成功率 0.57，稳稳贴着学习前沿；无引导自博弈出的题漂到 0.70，全在划水。
防作弊的设计藏在前半段：出题者的奖励前面挂了一个"任务有效"硬门控，直接把无解任务判零分。没有这个门控，出题者会发现刷分的捷径——专门生成模型永远解不出的难题，让成功率恒等于 0，坐收"难度拉满"的奖励。这个漏洞正是 Absolute Zero 类系统被诟病的地方，Skill-SP 用一个乘法门控堵死了它。
数字：5 个基座，全线提升
官方 README 摆出的主结果，覆盖 3B 到 14B 五个基座、两类可验证任务：
| 基座 | 工具调用 | 提升 | 逻辑推理 | 提升 |
|---|---|---|---|---|
| Qwen3-4B | 60.2 → 66.7 | +6.5 | 72.1 → 73.5 | +1.4 |
| Qwen3-8B | 69.4 → 72.2 | +2.8 | 23.6 → 32.4 | +8.8 |
| Ministral-3-8B | 20.7 → 63.6 | +42.9 | 5.0 → 11.2 | +6.2 |
| Ministral-3-14B | 22.2 → 64.5 | +42.3 | 5.4 → 17.4 | +12.0 |
| Granite-4.1-3B | 57.2 → 62.5 | +5.3 | 11.6 → 12.6 | +1.0 |
最刺眼的是 Ministral 两个型号的三倍翻盘。原因有点残酷：无引导自博弈在 8B 上完全启动不了——基座太弱，连合法任务都生成不出来，训练循环直接饿死；Skill-SP 的技能引导等于扶着它出题，硬生生把学习信号逼了出来。消融实验也验证了每个部件都在出力：冻结反馈用的解题者掉分最狠（-3.0），说明出题者必须跟着解题者一起进化，课表才能始终锚定在前沿。
但翻盘有边界。逻辑推理上，最难的 Large/X-Large 谜题，弱模型几乎零提升——太弱的模型自己造不出高难好题。自博弈存在"最低能力门槛"，它放大长板，救不了不能自省的短板。
三盆冷水
第一，这是一篇论文的代码仓库，不是产品。GitHub 上 145 星、8 个 fork、0 个 issue，唯一的提交记录是 7 月 27 日的 "Initial public release"，一个贡献者。热度与"神级"的民间评价之间，隔着一个巨大的实践空窗。
第二，自博弈不省钱。README 写得明白：训练按 8 张 GPU 起步，出题者占 4 卡，解题者占满 8 卡，还要求 CUDA、vLLM、FlashAttention 自行配平。个人玩家能在本地跑通推理，跑不通这套训练。所谓"没有外部老师"，省的是标注和人类反馈的钱，不是算力的钱。
第三，翻盘叙事要看背景。Ministral-3 是 Mistral 的 Apache 2.0 开源模型，"对齐坏掉"更可能是训练侧重点不同，而非模型残缺——被救回来的 63.6 分，依然低于 Qwen3-8B 练之前的 69.4。它是让弱模型及格的技术，不是点石成金的魔法。
真正值得记住的一件事
抛开分数，这篇论文的范式意义在于位置：skill 从推理时的提示词，挪到了训练时的课程引擎。练完即走——技能只在训练期使用，最终的解题者推理时就是普通的 prompt-only 模型，零额外开销，部署侧什么都不用改。
这意味着自进化的成本结构变了。以前想提升模型能力，要么堆人类标注，要么堆更强的教师模型蒸馏；现在，一条"自己出题、验证、锚定前沿"的闭环第一次被完整走通。出题的和解题的是同一个 AI，教练也是它自己——健身房 24 小时营业，不请私教。
剩下的悬念只有一个：课表还能进化多久，才会碰到它自己够不着的重量。
相关链接：
暂无评论。