RSI Arena：十款前沿模型自主训练语言模型并接受人类反馈
原文标题：RSI Arena: Towards Recursive Self-Improvement with Human Feedback
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 RSI Arena，让十个前沿模型作为训练智能体，从 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 出发，在 1000 GPU 小时预算内自主选数据、实现训练流程并挑选检查点。最强模型由 GPT-6 Astra 训练，在 12 项能力基准上弥合了基座到 Instruct 差距的中位数 76%。第二阶段引入人类偏好投票后，十个模型中有八个的风格校正相对评分提升，但基准增益有限，且出现更长回答与有害合规上升等副作用。
- 问题
- 能否让 AI 智能体自主训练语言模型，并借助用户反馈持续改进。
- 方法
- 十个前沿模型各自在固定算力预算内自主选数据、实现后训练并挑检查点，第二阶段加入人类偏好投票。
- 结果
- 最强模型弥合基座到 Instruct 差距的中位数 76%；十款中八款风格校正评分提升，但基准增益有限。
- 影响
- 给出自主后训练的可复现竞技场，工程师可据此判断智能体能否替代人工调模型流程。
机构：NVIDIA
深读 · 结论先行AI 生成展开看要点与影响 ↓
十个前沿模型在1000 GPU小时内自主后训练，最强由GPT-6 Astra训练，弥合基座到Instruct差距中位数76%。
- •十个前沿模型作为训练智能体，均从NVIDIA Nemotron 3.5 Lightning 30B-A3B Base出发，共享64-GPU集群。
- •每个智能体获1000 GPU小时与300美元API额度，自主选数据、实现训练流程并挑选检查点。
- •最强模型由GPT-6 Astra训练，在12项能力基准上弥合基座到Instruct差距的中位数达76%。
- •第二阶段加入人类偏好投票后，十个模型中有八个的风格校正相对评分提升，但基准增益有限。
- •副作用包括部分智能体鼓励更长回答，且有一个模型在StrongREJECT上有害合规上升。
为什么重要：这是把「AI自主训练AI」从概念推向可测量实验的一步，76%的差距弥合率给出了递归自我改进的初步量化参照；但偏好提升与基准增益脱钩、有害合规上升，说明自主训练的可控性仍是短板。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。