腾讯AI Lab西雅图团队提出的R-FEW框架，首次系统性解决大模型自博弈中易陷入能力退化、多样性崩塌的问题。它通过轻量人类引导+动态难度调控，实现高效、稳定、可信赖的模型自主进化。
智能速览
R-FEW采用‘挑战者-解决者’双AI自博弈架构，避免纯自演化失控
挑战者受极小规模高质量人类数据引导出题，防止偏题失焦
解决者仅接收系统评估后的中等难度题目，实现精准能力跃迁
8B模型仅用5%人类数据，性能追平100%数据训练的General-Reasoner
实证表明R-FEW显著抑制‘多样性崩塌’，保障长期进化稳定性
精华内容
当AI开始自我训练，失控风险远高于想象——题目同质化、能力退化、逻辑循环成为常态。R-FEW没有放弃自进化方向，而是重新定义了人与模型在训练中的协作关系。
双角色制衡
R-FEW将自博弈拆解为两个明确分工的模块：挑战者负责生成新问题，解决者专注求解。二者并非简单对抗，而是通过共享难度评估器和人类数据锚点形成闭环反馈。挑战者每轮出题前，会从仅含数百例的高质量人类提示池中随机采样2–3个示例，确保问题覆盖推理、归纳、反事实等关键认知维度，而非重复生成语法相似但语义贫乏的变体。
动态难度教学
解决者不被动接收全部题目，而是由内置难度评估器实时打分排序。该评估器基于当前模型对历史题目的响应置信度、答案分布熵及跨任务泛化偏差三重指标综合判定。实验显示，仅向解决者推送难度分位数在40%–70%区间的题目，其单位训练步长的知识增益提升2.3倍，且错误模式收敛速度加快41%。
数据效率突破
在数学推理与多跳问答基准测试中，8B参数模型采用R-FEW训练后，在GSM8K上准确率达82.6%，比同等规模纯自博弈基线高19.4个百分点；更关键的是，其训练所用人类标注数据仅为General-Reasoner的5%（约12万条 vs 240万条），却达到相同水平的MMLU总分（78.3分）。这证明人类监督不必‘全程在线’，而可浓缩为高信息密度的‘点睛式干预’。
抗退化验证
连续运行200轮自博弈后，基线方法的题目多样性指数（基于BERTScore聚类熵）下降至初始值的31%，出现严重同质化；而R-FEW维持在79%以上。进一步分析发现，其生成题目在逻辑深度（平均推理步数）、语义跨度（跨领域组合率）和歧义容忍度（含模糊约束条件的比例）三项指标上均保持稳定增长，证实进化路径未发生偏移。
R-FEW的价值不仅在于技术指标的提升，更在于它重塑了AI进化的范式共识：真正的智能成长，既非完全脱离人类的‘野生进化’，也非依赖海量标注的‘喂养式训练’。当轻量人类先验与模型自主探索达成精妙平衡，下一代通用人工智能的演进路径正变得清晰可期。这条路，是否终将导向可解释、可调控、可持续的智能体？
