★ 4
SQL-Zero：零标注自博弈文本转SQL训练
论文提出SQL-Zero框架，通过提议者-求解者自博弈，无需人工标注即可训练文本转SQL模型。在BIRD数据集上，3B和7B模型分别提升6.6和7.3个点，且小模型展现出更好的跨库迁移能力。该方法有望降低数据库查询智能体的开发成本。
arXiv cs.AI55 天前
#自博弈
共 13 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
CoSTA：协同进化自博弈智能体解时序知识图谱问答
论文针对复杂时序知识图谱问答中时间约束相互影响、单智能体上下文易混淆的问题，提出 CoSTA 框架，将事实组织为可导航时间线，由多个 worker 分工调查、协调者汇总带时间戳的观察，并通过角色条件蒸馏与协同进化自博弈联合优化。在三个基准上取得最优整体表现，复杂多事实问题上提升尤为明显，紧凑版本也…
arXiv NLP2 天前
★ 3
R²Orch：技能内化循环中的自博弈实现智能体编排递归自我改进
研究提出 R²Orch 递归自博弈编排范式，内循环通过自博弈在自选任务上改进编排器，外循环改进内循环的改进方式，并引入递归可学习性目标与技能撤回机制。在十二个数据集上，问答、数学、代码和交互任务均持续优于基线。
arXiv cs.AI12 天前
★ 3
SHRED：无专家示范的异构道路使用者自博弈框架
论文提出 SHRED 框架，通过大规模异构自博弈从随机初始化联合训练车辆、行人与骑行者，无需人类驾驶示范或轨迹回放。在 Waymo Open Sim Agents Challenge 上同时控制三类道路使用者并超越无示范自博弈基线，在 InterPlan 规划基准上优于所有对比规划器。研究证明异构…
arXiv cs.LG16 天前
★ 3
RRI：对抗元提示演化实现递归奖励改进
研究者提出 RRI（递归奖励改进）方法，在提议者-求解者自改进循环中引入奖励黑客对抗者来监督奖励生成。对抗者先写出钻评分标准空子的无用答案，再由同一模型在不看标准的情况下写出诚实答案，通过最多两步修复让诚实答案胜出，从而修正评分标准。在 HealthBench Professional 上，9B …
arXiv cs.AI16 天前
★ 3
MSP：无需配对跨模态数据的多模态 LLM 训练框架
论文提出模态自博弈（MSP），用代理文本描述作为语义桥梁，让模型在缺少真实配对跨模态数据的情况下学习跨模态组合。MSP 实现零样本模态组合，仅用真实锚模态与代理描述训练即可在推理时整合多种模态，在多个多模态基准上取得最优或具竞争力表现，无需真实配对的非文本监督。
arXiv cs.AI16 天前
★ 3
GameSmith：合成游戏扩展零和自博弈训练
论文提出 GameSmith，用 LLM 在固定模板内合成游戏并经种子配对回放与独立重实现验证，产出 26 个新游戏、29 个家族与 336 个变体。配合新优势估计器 CRAB，在 Qwen3-4B-Base 上把 13 项基准平均 pass@1 从 45.5 提升至 64.9，且迁移能力随游戏家…
arXiv cs.LG18 天前
★ 3
SPSD：面向大模型推理的自博弈搜索蒸馏
论文提出自博弈搜索蒸馏（SPSD），利用在棋类游戏上训练的类 MuZero 网络进行自博弈，将搜索记录转化为超人类思维链，为 LLM 提供基于环境的监督。该方法仅用自博弈搜索记录训练，却能迁移到未见过的数学任务：在 Qwen3-4B-Base 上，六个数学基准均值从 24.1 提升至 36.6，留…
arXiv cs.AI34 天前
★ 3
CoVer：信息增益奖励与多样性剪枝测试协同训练代码生成验证器
研究提出CoVer，一个单策略GRPO框架，同时解决自博弈代码生成中的宽松性崩溃与集中偏差问题。它用信息增益奖励对自生成测试打分，并通过三阶段多样性筛选剔除冗余测试。在五个基准上，CoVer在7B和14B规模分别较Qwen2.5-Instruct提升5.8和7.1个点的pass@1，作为CodeT…
arXiv cs.AI41 天前
★ 3
自动构建 Harness：代码自博弈蒸馏文本搜索策略
论文研究智能体能否通过可执行练习学习数值搜索策略，并将其以文本形式迁移。开发阶段智能体反复编写和评估优化器程序，随后蒸馏为 197 词的 Harness A。在独立 N=30 研究中，Harness A 将 Gemini Flash 遗憾降低 48%，并迁移至 Claude Sonnet 降低 4…
arXiv cs.LG52 天前
★ 2
开发者用自博弈强化学习在单台 PC 击败《魔兽争霸 III》疯狂 AI
一位开发者发布博客，介绍如何仅用一台普通 PC，通过自博弈强化学习训练智能体，击败《魔兽争霸 III》内置的疯狂难度 AI。该项目展示了在消费级硬件上复现复杂 RTS 游戏 AI 训练的可行性，引发 Hacker News 讨论。
Hacker News – AI14 天前
★ 2
OpenBlock：自适应三消游戏的可验证内容生成平台
论文开源了一个自适应三消游戏平台，采用规则生成器与学习生成器双轨架构，并用统一验证门保证每批方块均可放置。自博弈强化学习智能体在 23.4 万局中达到 35.6% 胜率，并诊断出高填充率下长条方块无合法落点是后期失败主因。14 天线上灰度实验显示次日留存提升 1.8 个百分点、会话时长提升 7%。
arXiv cs.LG40 天前
★ 2
通过参考策略引导正则化自博弈的均衡选择
研究探讨能否利用正则化自博弈中的参考策略主动选择价值等价均衡，在五个可解博弈与二维多胞体上验证：将参考锚定到目标成员并精炼，可将自博弈导向该成员，平均坐标误差0.007。作者同时报告失效情形，如离流形参考带来0.08-0.25的可利用度代价。该配方将RLHF式KL锚重新解释为选择旋钮而非仅稳定性约…
arXiv cs.AI44 天前