WEBVTT

1
00:00:00.280 --> 00:00:02.380
提升数学推理能力。

2
00:00:02.780 --> 00:00:08.560
这听起来是一个目标，却没有说明该学习哪些例子，或怎样才算进步。

3
00:00:09.260 --> 00:00:15.140
Aspire 研究这个缺失的步骤：智能体能否决定学习什么，同时决定如何更新自己？

4
00:00:15.800 --> 00:00:21.120
这里的模糊，指的是宽泛的能力方向，而不是随意或含糊的指令。

5
00:00:21.940 --> 00:00:27.500
智能体必须把这个方向转化为数据选择、更新目标，以及检查自身工作的方式。

6
00:00:28.180 --> 00:00:34.080
最终评估项目保持隐藏，用来测试智能体所选的代理目标是否服务于预期能力。

7
00:00:34.860 --> 00:00:38.960
我们将跟着这条决策链，再把表面上的进步与起始模型进行对比。

8
00:00:39.600 --> 00:00:45.480
在一个示意性的数学能力改进过程中，智能体可能诊断出多步代数题求解方面的弱点。

9
00:00:46.000 --> 00:00:50.560
然后，它选择练习数据、训练目标，以及自行设计的验证问题。

10
00:00:51.240 --> 00:00:54.860
但假设本地检查主要奖励熟悉的回答格式。

11
00:00:55.340 --> 00:00:57.600
变得擅长通过这项检查，可能偏离最初的目标。

12
00:00:58.240 --> 00:01:02.720
Aspire 明确区分二者：智能体自建代理目标上的进步，

13
00:01:02.860 --> 00:01:06.000
必须由与目标一致的外部标准来评估。

14
00:01:06.680 --> 00:01:12.320
它的受管理工具接口支持数据选择、训练、本地验证、分支，以及停止。

15
00:01:12.880 --> 00:01:17.640
后端作业机制由控制器处理，战略性的学习决策仍由智能体做出。

16
00:01:18.300 --> 00:01:23.440
该基准支持两个演化对象：模型权重，以及支撑智能体的执行框架。

17
00:01:24.200 --> 00:01:29.140
权重演化选择数据和更新方法，随后产生训练后的后代检查点。

18
00:01:29.840 --> 00:01:35.560
框架演化会编辑指令、工具策略、流程、记忆或验证逻辑，

19
00:01:35.600 --> 00:01:37.000
同时保持运行时权重不变。

20
00:01:37.740 --> 00:01:41.320
指导搜索的策略，与被修改的对象，是两个不同的部分。

21
00:01:42.140 --> 00:01:45.420
所有报告的权重搜索执行都保持初始决策模型不变；

22
00:01:45.780 --> 00:01:48.800
它们没有展示对该决策模型的递归替换。

23
00:01:49.480 --> 00:01:53.100
这让研究可以检查受限搜索是否产生更好的候选对象，

24
00:01:53.160 --> 00:01:55.800
而不把完成执行与能力增长混为一谈。

25
00:01:56.380 --> 00:02:02.580
隐藏的 Aspire 评估包含五百二十个人工专家编写的项目，覆盖六个能力目标。

26
00:02:03.060 --> 00:02:09.220
这些目标涵盖科学、人文、医学、数学、综合可靠性和学术写作，

27
00:02:09.700 --> 00:02:11.080
每个目标单独计分。

28
00:02:11.760 --> 00:02:17.460
智能体无法查看评估项目、参考答案、量表，或逐项评判反馈。

29
00:02:18.140 --> 00:02:22.960
在自适应反馈协议中，受限查询返回汇总分数，这些分数可以指导后续更新。

30
00:02:23.640 --> 00:02:30.180
该设置会重复使用同一目标的评估子集，因此不是选择完成后完全未接触过的确认测试。

31
00:02:30.840 --> 00:02:35.960
另一个仅最终评估协议不提供中间分数，其结果也单独报告。

32
00:02:36.620 --> 00:02:41.700
在自适应反馈实验中，三十个配置与目标的组合单元各执行一次。

33
00:02:42.380 --> 00:02:44.200
二十八个组合产生了被评估的检查点，

34
00:02:44.580 --> 00:02:48.100
其中二十一个产生了满足预先规定资格规则的检查点。

35
00:02:48.840 --> 00:02:53.640
只有一个组合产生了合格、超过基础模型的检查点，并在回退规则之后保留下来。

36
00:02:54.440 --> 00:02:58.680
资格要求包括来源、探索、完成情况和最终记录。

37
00:02:59.140 --> 00:03:01.140
符合资格本身并不意味着能力提升。

38
00:03:01.920 --> 00:03:05.700
保留结果是利用同一子集上的重复汇总反馈选出的，

39
00:03:06.060 --> 00:03:07.740
没有独立的确认子集。

40
00:03:08.440 --> 00:03:13.800
在这个协议下，实测结果是：大量训练循环被完成，但保留下来的进步很少。

41
00:03:14.593 --> 00:03:19.413
一条 Qwen3.5-4B 数学轨迹让这种区别变得具体。

42
00:03:19.913 --> 00:03:25.973
更新后的检查点依次得到零点七九、一点七五，以及二点三八分。

43
00:03:26.593 --> 00:03:32.273
这些分数逐步升高，但起始模型在同一目标子集上得到十七点八六分。

44
00:03:32.973 --> 00:03:38.333
后来的检查点优于此前退步的检查点，但仍远低于基础模型。

45
00:03:38.973 --> 00:03:43.773
因此，Aspire 区分最佳已评估候选对象、被选中的合格候选对象，

46
00:03:44.193 --> 00:03:46.033
以及回退后保留的状态。

47
00:03:46.613 --> 00:03:50.613
谱系内部上升的趋势，不能替代与基础模型相比是否提升的检查。

48
00:03:51.140 --> 00:03:55.440
框架研究保持 Qwen3.5-4B 的运行时权重不变，

49
00:03:55.500 --> 00:03:57.840
并评估学术与科学写作。

50
00:03:58.540 --> 00:04:00.260
每个创建模型尝试产生一个后继框架。

51
00:04:00.980 --> 00:04:05.140
有效框架被冻结后，在二十个隐藏写作项目上运行三次。

52
00:04:06.000 --> 00:04:10.460
参考 Qwen-Agent 的任务宏平均分为二十八点六四。

53
00:04:11.000 --> 00:04:14.160
最接近的有效后继框架达到二十七点二二。

54
00:04:15.080 --> 00:04:19.200
在固定运行时条件下，三个有效后继框架的数值都低于参考框架。

55
00:04:20.000 --> 00:04:25.020
重复执行衡量的是运行时波动，而不是三条独立创建轨迹。

56
00:04:25.860 --> 00:04:31.720
这项实验测试的是单步框架生成，而不是无限重复的自我改进过程。

57
00:04:32.307 --> 00:04:35.986
Aspire 把目标形成纳入自我演化问题：

58
00:04:36.607 --> 00:04:40.447
在搜索更新之前，首先要决定进步意味着什么。

59
00:04:41.187 --> 00:04:47.307
智能体可以收集数据、启动训练并生成检查点，却没有提升预期能力。

60
00:04:48.026 --> 00:04:53.207
它也可以构建一个能够工作的框架，但其隐藏评估分数低于起始参考框架。

61
00:04:54.047 --> 00:05:00.027
有用的检查链条是：目标、代理目标、候选对象、外部测量，以及保留结果。

62
00:05:00.947 --> 00:05:06.747
每一环都必须保持可见；提升必须相对于基础模型判断，而不能只与前一个检查点比较。

63
00:05:07.707 --> 00:05:12.307
运行学习循环只是开始；证明它学到了正确的东西，才是检验所在。