夜雨聆风想象一所没有人类老师的学校，学生自己出题、自己答题、连评分标准都自己制定，而且越学越难、永不触顶。这听起来像科幻，但2026年7月，阿里巴巴通义千问团队把它变成了现实。
一把刀刺进了AI训练的"死穴"
大模型正在悄悄发生一场革命
过去几年，AI界流行一种叫做自我对弈（Self-Play）的训练思路：不依赖人工标注，让模型分饰多角，用互相施压的方式生成训练信号。但这条路走到今天，卡在了一个几乎所有人都绕不过去的矛盾，
一边是"笼子里的可靠"：把模型钉在代码执行器、游戏环境里训练，奖励信号很干净，但任务空间被死死框住，模型只会在这个笼子里转圈；
另一边是"旷野里的混乱"：让模型自由造题，看起来什么都能学，但现实很骨感，它造出来的题经常前后矛盾、答案错误、无法验证，甚至大量重复。过滤器只能被动扔掉明显坏样本，却根本教不会模型"怎样才算出了一道好题"。多轮迭代之后，垃圾数据越积越多，模型能力反而塌缩。
Qwen团队把这个死穴写进了论文的第一页。然后，他们拿出了一把刀
▲ Hugging Face Daily Papers 将 Skill Self-Play 列为当日热门论文
那把刀叫做：技能库
7月24日，arXiv编号2607.22529的论文悄然上线，《Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills》。作者来自阿里巴巴通义千问大模型应用团队及多所高校，阵容横跨产学界。
论文的核心思想是：把"技能"从模型推理时的工具书，改造成训练时的课程引擎。
所谓"技能（Skill）"，概念本身并不新鲜。Anthropic在2025年就推广了Agent Skills的工程实践，把领域流程写成可发现、可加载的文件夹式资源，模型需要时临时调用。这好比一本工具手册，需要时翻出来查，用完放回去。
Qwen团队把技能的用途彻底翻转了：在他们的框架里，技能成了出题插件。每一个技能包都写明这类题的出题规则、参考示例，以及一个机器可以自动判分的验证契约（Contract）。
这个翻转，是整篇论文的灵魂
三个角色，一个永不停止的进化循环
Skill Self-Play（简称Skill-SP）在每轮训练中同时运作三个角色，缺一不可：
🔵 出题者（Proposer）：从技能库里领到一个技能包，按照其中的规则生成一道题 x，并同时生成一份隐藏的"验证契约" c，比如单元测试代码、约束检查器，用来自动判分。答题者看不到 c，只看到题目 x
🟡 答题者（Solver）：什么工具都不给，只拿到题目 x，生成答案 y。环境用 c 来判断答案对不对
🔴 技能控制器（Skill Controller）：收集每一轮的胜负信号，哪道题太难（全错）、哪道题太简单（全对）、哪些出题模式新颖有用，然后对技能库执行精炼（Refine）、剪枝（Prune）和诱导（Induce），让库中的技能包随着训练迭代进化。
三者不断咬合、相互激励，构成一个永不触底、也永不过载的学习飞轮。
▲ fly51fly 分享论文：包含框架动机对比图与系统总览
出"刚好半会半不会"的题
这里有个极其精妙的设计，值得单独拎出来说。
如果只告诉出题者"要出难题"，它会钻空子：故意造出病题、无解题，制造假难度，然后坐收奖励。这个漏洞在很多类似框架里被真实观察到。
Skill-SP的解法是：有效性优先，难度次之。
系统先用验证契约检查这道题本身是否合法、可解；对合法的题，再按求解成功率 v 靠近 0.5 的程度打分。太简单（答题者全对）或太难（全错）的题，学习价值都低；只有"刚好在能力边界附近"的题，才能给模型带来最大的成长拉力。
这正是课程学习（Curriculum Learning）的精华，难度始终贴着模型的成长边界移动，随训练进程动态调整。
一位韩国博主在社区帖子里把这套机制写得很传神：
Proposer追求的是有效且当前Solver约有50%概率能解的题。
▲ @code_n_money 用韩文详细拆解 Skill-SP 的出题机制，附上了条件概率生成公式
数字来了：Mistral从"不会用工具"到全面开窍
说了这么多机制，实验数据才是最有说服力的语言。
论文在两大任务族上跑了实验：工具调用（API-Bank + BFCL）和逻辑推理（ZebraLogic谜题）。骨干模型从3B到14B，横跨Qwen3、Ministral-3、Granite三个家族。
工具调用综合得分（Base → Skill-SP）：
| +6.5 | ||
| +2.8 | ||
| Ministral-3-8B | 20.7 → 63.6 | 🚀 +42.9 |
| Ministral-3-14B | 22.2 → 64.5 | 🚀 +42.3 |
| +5.3 |
Ministral系列的数字看得人头皮发麻，起点只有20分出头，几乎完全不会用工具；经过Skill-SP训练后，直接跳到64分。增益超过42分，接近翻三倍
为什么会这么夸张？原因正是那个矛盾的另一面：Ministral基础对齐太差，几乎无法独立合成有效训练样本，无引导的自博弈根本"转不起来"；而有了技能库提供结构先验，训练回路才得以建立，模型才有东西可学。这一对比，把Skill-SP存在的必要性说得比任何理论解释都清楚。
逻辑推理方向同样有亮点：Ministral-3-14B从5.4分提升到17.4分，增益+12。没有技能引导的无引导基线（Unguided SP）在复杂逻辑谜题上结构性崩塌，根本无法合成出有效的训练循环。论文于是只用Skill-SP与Base对比，Unguided的失败本身就是一条隐含的强有力证据。
一个引发社区撕裂的哲学问题
数字之外，这篇论文在X（原Twitter）上引发了一场不大不小的思想争论。
矛盾点在于：把技能放进训练环，到底是在增强技能，还是在背叛技能？
Agent Skills最初的设计哲学，是"可发现、可插拔、可拆卸"，就像手机App，随时装、随时删、不影响系统底层。用户可以给模型加一套炒股技能，也可以随时替换成医疗技能，模型核心不变。
Skill-SP则把技能放进训练环，通过训练将技能逻辑内化进模型权重。训练结束后，线上推理时，Solver甚至无需调用技能库，它靠的是参数里已经"学会"的东西。
有人（@identity_matrix）直接在评论里质疑：
把skills放进训练环，会不会削弱其灵活可拆扩展的初衷，把原本可拆卸的能力模块，变成训练流程内部的重型组件？
另一个声音（@frankyouchill）则从另一个角度看：
"技能更重要的用途，或许是决定模型下一步该学什么"；回答眼前的问题只是其中一种用途。
这两种声音，代表了工程实践与学习理论两个截然不同的技能观。一个追求灵活可插拔，一个追求深层内化。它们都有道理，也都有边界
▲ 社区对"技能内化进训练"的哲学质疑
Qwen之外的研究动向
Jerry Li（@lijieisme）在7月28日的帖子里把Skill Self-Play与另外两篇论文并排摆在一起：NVIDIA的Molt（原生agentic RL框架）、以及Agentic Context Management（agent记忆管理）。他的结论很简短：
"2026的研究方向已经明朗了。"
的确从近期Hugging Face每日热门论文的趋势看，Agent训练、记忆与原生agentic RL已成为2026年毫无争议的研究主线。而Skill Self-Play，正好站在这条主线的一个关键节点上，它把"技能"这个词从产品词汇变成了训练词汇，从工程实践变成了理论框架。
代码已经完整开源，仓库地址 Qwen-Applications/skill-self-play，支持Qwen3、Ministral、Granite等多个骨干，附带API-Bank、BFCL、ZebraLogic全套评测数据，标配8卡GPU训练脚本，许可证Apache-2.0，任何人都可以拿来直接复现。
▲ arXiv 摘要页：论文于2026年7月24日正式提交，编号 cs.CL:2607.22529
尾声：那所没有人类老师的学校
回到最开始的比喻
那所学校现在有了更清晰的轮廓：出题老师、学生、还有一本会不断改版的"出题手册"。手册告诉老师出什么题、怎么判分；学生进步了，手册随之升级，让题目继续贴着学生的能力边界，永远在"刚好半会半不会"的甜蜜区间里施压。
AlphaZero用这个逻辑在围棋上打败了全人类。Skill-SP把同一套逻辑，拆成可更新的技能模块，试图迁移到无边界的语言与工具世界。
能走多远，还是未知数 Large/X-Large难度的逻辑谜题上，进展依然有限；技能能否迁移到论文评测套件之外，社区仍存疑虑。但从现有结果看，Ministral从20分跳到64分的这条折线，已经显出这套方法的潜力。
AI正在学会教自己而这，可能只是开始
论文：https://arxiv.org/abs/2607.22529代码：https://github.com/Qwen-Applications/skill-self-play