arXiv cs.AI· Lorenzo Molfetta, Wai-Chung Kwan, Giacomo Frisoni, Luca Ragazzi, Gianluca Moro, Pavlos Vougiouklis, Jeff Z. Pan, Pasquale Minervini·· 1 天前AI 评分40
Self-Play Search Distillation：用自对弈搜索蒸馏提升 LLM 推理能力
Self-Play Search Distillation for Large Language Model Reasoning
AI 导读
Self-Play Search Distillation（SPSD）通过棋盘游戏自对弈中的 MuZero 类网络搜索生成超人类合成数据，并把搜索记录转成思维链，为大语言模型提供环境接地监督。在 Qwen3-4B-Base 上，六个数学基准的平均分从 24.1 升至 36.6，未见过的游戏胜率从 15% 升至 45%。该方法仅用自对弈搜索记录训练，即可迁移到数学推理。
来源：arXiv cs.AI · arxiv.org