Qwen научила модель создавать себе учебную программу

Команда Qwen представила Skill Self-Play - подход, в котором LLM сама генерирует задания, решает их и постепенно расширяет библиотеку проверенных навыков.

Проблема обычного self-play: модель либо остаётся в узких средах с простой проверкой, либо создаёт много разнообразных, но ненадёжных задач.

В Skill-SP работают три компонента:

proposer придумывает сложные задания;
solver ищет решения;
skill controller анализирует выполнение и обновляет библиотеку навыков.

Каждый навык задаёт сценарий, правила генерации задачи и способ проверки результата. Поэтому модель учится на контролируемых заданиях, а не на случайном синтетическом мусоре.

Важно: библиотека используется прежде всего для генерации тренировочных данных, а не как набор подсказок во время ответа.

Получается саморасширяющийся цикл:

навык → новое задание → решение → проверка → улучшенный навык.

Авторы сообщают об улучшениях в задачах на рассуждение и использование инструментов. Код проекта также опубликован.

arxiv.org/abs/2607.22529