Environment Duels
来自 arXiv · 期号 2026-10-22
摘要
前沿大模型在真实世界中相互影响：它们从彼此的合成训练数据和公开数据中学习。 Environment Duels 是一个动态智能体基准测试，让每个模型同时扮演“出题者”和“解题者”。出题者编写带有特权提示的环境，目标是让能力强的解题者没有提示就失败、有提示就通过。 在九个前沿大模型上，解题和出题是两种不同的能力：最强的解题者不是最强的出题者，而较小的模型反而能从别人的玩法中学到更多，写出最难的环境和最有用的提示。 除了分数，两两交互还形成了一个模型如何相互影响的微缩世界：胜负关系是可传递的，因此能得出稳定排名；独立出题者会收敛到相同的设计；在 Qwen3.8-27B 的强化学习实验中，学习者在某个出题者环境上的提示提升，能预测在该环境上训练后对保留推理和智能体基准的提升——无论环境是自己的还是其他模型的。 这些模式在模型之间的真实互动中都有对应。通过可控条件重现这些互动，Environment Duels 提供了一个观察大模型如何相互教学、挑战和学习的窗口。
深读
导读 这篇论文提出了一个名为 Environment Duels 的动态智能体基准测试，用来衡量前沿大模型在生态系统中作为“出题者”和“解题者”的双重能力。值得读的原因是它揭示了模型之间的相互影响并非单向，最强的解题者不一定是最强的出题者，而较小的模型反而能从他人的玩法中学到更多。读完能带走一个关于模型如何相互教学、挑战和学习的微观分析框架。 关键信息 - 基准测试让每个模型编写带有“特权提示”的交互环境，目标是让能力强的解题者没有提示就失败、有提示就通过。 - 在九个前沿大模型上，解题和出题被证明是两种不同的能力：最强的解题者不是最强的出题者。 - 较小的模型从其他模型的玩法中学到更多，能写出最难的环境和最有用的提示。 - 两两交互的胜负关系是可传递的，因此能得出稳定排名；独立出题者会收敛到相同的设计。 - 在 Qwen3.8-27B 的强化学习实验中，学习者在某个出题者环境上的提示提升，能预测在该环境上训练后对保留推理和智能体基准的提升，无论环境是自己的还是其他模型的。 逐节讲解 背景与动机 论文指出，前沿大模型在真实世界中通过合成训练管道和公开数据相互影响，它们吸收前辈和竞争对手创造的内容。这种相互影响是复杂且难以控制的，因此需要一个可控的微观环境来研究模型之间的互动。 Environment Duels 的设计 基准测试让每个模型同时扮演两个角色：出题者编写带有特权提示的交互环境，目标是让能力强的解题者没有提示就失败、有提示就通过；解题者则尝试在这些环境中完成任务。这种设计同时评估了模型的创造能力和解题能力。 核心发现 在九个前沿大模型上的实验显示，解题和出题是两种不同的能力：最强的解题者不是最强的出题者。值得注意的是，较小的模型反而能从其他模型的玩法中学到更多，写出最难的环境和最有用的提示。这表明模型之间的学习并非简单的规模竞赛。 模型间互动的微观世界 除了分数，两两交互形成了一个模型如何相互影响的微缩世界。胜负关系是可传递的，因此能得出稳定排名；独立出题者会收敛到相同的设计。在 Qwen3.8-27B 的强化学习实验中，学习者在某个出题者环境上的提示提升，能预测在该环境上训练后对保留推理和智能体基准的提升，无论环境是自己的还是其他模型的。这些模式在模型之间的真实互动中都有对应。 值得注意 由于原文是论文摘要，信息有限。摘要声称了这些发现，但没有提供具体的实验设置细节（如九个模型的具体名称、环境数量、评估指标等），也没有展示数据或图表。读者需要阅读全文才能验证这些结论的可靠性和实验的严谨性。