SPIRAL：零和语言游戏驱动的自博弈推理

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段	内容
论文链接	SPIRAL：零和语言游戏驱动的自博弈推理（arXiv 2506.24119）
公司 / 机构	Apple / academic collaborators
首次公开日期	2025-06-30（arXiv v1）
原作者代码	已开源
本地 adapter / 方法键	spiral
本地复现代码	src/auto_research/post_training/

原始论文总结

背景与主要改动

同一模型扮演出题者和解题者，在可自动判定的零和多轮语言游戏中形成逐步变难的课程。

flowchart LR
 A["公开输入 / 历史"] --> B["spiral 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

原论文 Figure 3（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \max_{\pi_A}\min_{\pi_B}\mathbb E_{\tau\sim(\pi_A,\pi_B)}[R(\tau)],\quad A_A=-A_B. \]

论文离线与线上效果

论文显示仅依赖自博弈即可提升多项 reasoning benchmark，并在小模型上产生迁移。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、256 examples、seed 42：accuracy 0.2344 → 0.3438（+46.67%）；奖励、KL、长度和候选预算一致。

auto-research post-train --algorithm spiral --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 spiral 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。