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，此团队中又双叒叕现华人身影～

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 - 验证器差距小（例如算数问题），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

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

希望了解 AI 产品最新趋势？

量子位智库「AI 100」2025 上半年

「旗舰产品榜」和「创新产品榜」

给出最新参考

点亮星标

科技前沿进展每日见