一句话总结本文提出 SAGE让 Challenger/Planner/Solver/Critic 四智能体共享同一 LLM 骨干闭环共进化仅用 500 条种子即在 Qwen-2.5-7B 上 LiveCodeBench 提升 8.9%、OlympiadBench 提升 10.7%。 背景问题可验证奖励强化学习RLVR已成为提升 LLM 推理的主流路径但现有方案仍有三大短板1️⃣ 依赖大规模人工标注数据集难以随模型逼近超人能力而扩展2️⃣ 现有 self-play 范式SPIRAL、Absolute Zero 等缺少显式规划长程多步推理不稳定3️⃣ 自生成任务缺乏质量控制容易出现课程漂移与奖励崩塌。 方法简介Challenger 从种子样本出发生成新题及其验证器难度奖励由 Solver 的验证失败率 1 − s̄_gt 给出形成对抗驱动Planner 将题目拆成结构化多步计划Critic 打分并通过门限 β 0.3 进行 gating只有高质量计划才会送到 SolverSolver 依据计划作答由外部 verifier数学符号匹配 / 代码单测执行给出 s_gt ∈ [0,1]以 0.2/0.6/0.2 权重综合计划质量、正确性与格式三项奖励Critic 同时承担题目与计划的 1–10 分质量评估归一化到 [0,1]和格式校准双重角色四智能体共享骨干网络并用 Task-Relative REINFORCE 做角色内优势归一化联合更新配合 α 0.7 的质量过滤防止数据集退化。 实验结果在 Qwen-2.5-7B-Instruct 上SAGE 将 LiveCodeBench 从 17.5% 提升至 26.4%8.9%OlympiadBench 从 28.0% 提升至 38.7%10.7%整体平均分达到 50.1%全面超越基座、AZR 与 MAE 两类自进化基线在 Qwen-3-4B-Base 这一更强骨干上LiveCodeBench 从 21.5% 跃升至 30.6%9.1%而同期 AZR 在 Math Avg. 上出现 56.3% → 46.7% 的显著回退SAGE 几乎不伤 ID 精度却稳定扩大 OOD 优势7B 上 OOD 平均 4.2%消融显示去掉 Solver 训练导致整体下降最大42.0% → 38.2%去掉 Challenger 则 LiveCodeBench 从 16.9% 骤降至 9.0%验证了出题—解题协同进化是框架核心训练动态上验证精度在第 100–120 步达到 69.5% 峰值后逐渐下滑至 61.6%而有效题库则从 1136 条滚雪球式扩张到 20532 条18 倍提示自生成课程存在过拟合风险早停至关重要。✨ 一句话点评SAGE 用出题—解题—审题的三角博弈关系揭示了推理自进化的本质真正让模型变强的不是更多数据而是一个更会出题、更懂打分的自己——这意味着未来 LLM 训练应当从喂数据走向造课程。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】