无需外部数据！AI自问自答实现推理能力进化_加州大学伯克利分校|卡内基梅

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

文章图片

时令发自凹非寺
量子位 | 公众号 QbitAI
AI通过自问自答就能提升推理能力？！
这正是卡内基梅隆大学团队提出的新框架SQLM——一种无需外部数据的自我提问模型。

该框架包含提问者（proposer）和解答者（solver）两个角色，提问者生成与给定主题相关的问题，解答者旨在解决问题。
网友们神评， “简直是带有RL的GAN” 。

值得一提的是，此团队中又双现华人身影～
通过强化学习最大化期望奖励当前大语言模型的训练很大程度上仍依赖人工整理数据集，堪称费时费力。
为了减轻这一负担，研究人员开发了用于强化学习的无监督奖励函数。然而，这些函数仍然依赖于预先提供的高质量输入提示。
因此，问题的难点从“生成答案”转移到了“生成高质量问题” 。
这凸显出当前方法的一个关键不足：
缺乏一种可扩展且自我维持的流程，能够在无人干预的情况下自动生成有意义的问题和答案。

为此，研究者提出了SQLM框架
，一种非对称的自我博弈框架，其中提问者

，解答者

回答该问题，两者均通过强化学习进行训练，以最大化期望奖励。

其中，提问者生成问题会对解答者形成条件影响，而解答者的表现又反过来为提问者提供奖励，从而不断优化提问者。
由于缺乏真实答案，研究者设计了基于“生成者–验证者差距”的自监督奖励函数。
若生成器-验证器差距?。 ɡ缢闶侍猓?，则采用多数投票作为代理奖励。

若生成器-验证器差距大（例如编程问题），先由提问者生成测试用例，奖励则基于通过测试的比例。

这种极小极大式的训练框架通过自博弈实现了稳定训练，并使奖励机制能够针对具体问题进行自适应调整。
为了评估模型的不同能力，研究者进行了三部分任务，并使用Qwen2.5-3B-Instruct运行实验。
算术任务
研究人员让提问者生成一个三位数的算数问题，并将其作为解答器的输入。他们按照TinyZero的设置，构建了一组包含4096个三位数乘法问题的测试集。
代数任务
研究者让模型生成最多包含两个变量的线性方程，并在OMEGA基准中的100道线性方程测试题上进行评估。
编程问题
他们让模型生成类似LeetCode中简单题的问题，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。

实验结果显示， 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，上表还显示出SQLM显著优于格式奖励基线（用于稳定训练和规范输出格式的参考值），表明推理能力的真正提升。
团队介绍
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计算机科学副教授，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研究员，并于谷歌研究院工作。

Hao Liu ，博士毕业于加州大学伯克利分校，曾任谷歌DeepMind研究员，即将出任卡内基梅隆大学机器学习系的助理教授。

Deepak Pathak ， Skild AI创始人，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担任了一年的研究员，现任卡内基梅隆大学计算机科学学院的助理教授。
参考链接：[1
https://x.com/iScienceLuvr/status/1953052817012474353[2
https://arxiv.org/abs/2508.03682
— 完 —
量子位 QbitAI · 头条号签约
【无需外部数据！AI自问自答实现推理能力进化】关注我们，第一时间获知前沿科技动态

无需外部数据！AI自问自答实现推理能力进化

推荐阅读

豌豆象的特点

温州补换领机动车行驶证操作指南

如何正确冲藕粉冲藕粉的正确方法

天竺葵的养殖方法和注意事项有哪些？

不糯的芋头怎么做好吃

洗脸扑有什么用洗脸扑该如何使用

新鲜花束怎么保存

梦见奶奶怀孕梦见奶奶怀孕了是什么意思

瑞金有什么好吃的

快手送过礼的主播怎么删除

树叶鸟故事告诉我们什么

电脑键盘被锁了按哪个键解锁

面部皮肤如何美白脸部怎么美白

水牛的特点

球阀的结构特点有哪些

万和热水器南京售后电话