Absolute Zero：零数据自博弈推理强化学习

Absolute Zero 让单一模型同时提出任务并求解，用自生成数据和代码执行器反馈训练推理能力，是零外部标注自博弈路线的代表。

核心思想

提出 Absolute Zero 范式：单一模型同时承担任务生成和求解两个角色，只用自生成数据进行 RL 训练。代码执行器提供自动验证。

双角色架构

1. Task Proposer：生成新推理任务（代码、数学、逻辑）
2. Task Solver：尝试求解自己提出的任务
3. Code Executor：自动验证答案正确性
4. RL Training：验证信号驱动两个角色的同步改进

意义

• 消除对人类标注数据的依赖
• 模型可以无限生成训练信号
• 自博弈产生渐进式难度递增的课程

与其他工作的关系

• 延续 SPIN 的自博弈思路，但扩展到任务生成
• 与 RISE 的推理期改进互补

← 返回研究图谱