技能自我对弈：通过共同进化技能推动LLM能力前沿

研究人员提出 Skill-SP 框架，通过提议者、解决者和动态技能控制器的共进化循环，在工具使用和推理基准上持续提升 LLM 性能，有效解决了现有自我进化方法中任务多样性与验证可靠性之间的冲突。

此前自我进化方法要么局限于窄领域，要么因缺乏可靠验证而引入误导性奖励。Skill-SP 通过技能作为中间层，既保证深度验证又维持任务开放性，使 LLM 训练从手动设计转向自动化、可验证的自我进化。

框架包含三个组件：提议者根据动态技能分布生成任务，解决者探索候选方案，技能控制器收集执行反馈并更新技能库。三者通过强化学习循环持续交互，在结构化验证与开放探索间取得平衡，推动模型能力提升。

该框架可直接用于训练现有 LLM，在工具调用和复杂推理场景中取得持续性能改进，有望提升基于 LLM 的商用产品（如智能助手、代码生成工具）的准确性和鲁棒性，但具体工程成本尚不明确。

• 在现有LLM训练管线中引入Skill-SP框架，针对工具使用和推理任务进行持续自我对弈优化，提升模型在常见场景下的表现。

• Skill-SP的计算成本和训练周期相较于传统方法是否有显著增加？
• 该框架是否适用于多语言或低资源场景下的LLM训练？
• 技能库的初始设计与人工干预程度如何影响最终效果？
• 在真实产品环境中，动态技能路由的实时性是否能满足低延迟需求？