夜雨聆风你有没有想过一个问题，大模型训练到最后，数据从哪儿来？
人工标注，贵且慢爬互联网，越来越贵让模型自己生成？好主意，但模型自己造的题，质量往往一塌糊涂：有些题毫无训练价值，有些答案无法验证，迭代一久甚至开始“自我崩塌”。
这道题，困扰了整个大模型训练界至少两年。
就在2026年7月，阿里通义千问大模型应用团队（Qwen Large Model Application Team）联合香港中文大学、中国人民大学、北京大学、苏黎世联邦理工学院等高校，悄悄放出了一篇重磅论文：
论文《Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills》，arXiv编号2607.22529。
代码已开源，Apache-2.0协议骨干覆盖Qwen3、Ministral-3、Granite。某些模型上，工具调用能力直接暴涨43分。
▲ arXiv:2607.22529，cs.CL类别，阿里通义千问团队联合多所高校
自我进化的致命BUG：劣质题与假题
先看这件事究竟难在哪里
近年来大模型后训练有一条显学路线：让模型自己出题，自己做题，用可以自动判对错的奖励信号来做强化学习，也就是所谓的RLVR（可验证奖励强化学习）。
听起来完美代码能不能跑通，工具调用格式对不对，逻辑谜题答案符不符合约束，这些都能机器判断，不用人打分，干净利落。
但现实很骨感让模型自由出题，会遇到两个死局：
死局一：绑死在环境里 把任务生成绑在代码沙箱、游戏模拟器、检索引擎上，奖励是可靠的，但题目永远出不了那个小盒子，智能体能力的天花板就是盒子的边界。
死局二：放开生成，垃圾成堆 让模型自由发挥，过滤器再使劲筛，也只是被动删掉明显的废题，教不会模型“什么叫结构正确的好题”。练久了，合成数据质量螺旋下滑，业内管这叫模型崩塌（model collapse）。
这两条路，一条困死，一条烂死
通义千问团队的回答是：你需要一个中间抽象。而这个抽象，恰好已经有人发明了，它叫 Agent Skill（智能体技能）。
一个词，两种命运
“技能（Skill）”这个词，AI界最近很火。
Anthropic的Claude平台有Agent Skills：按需加载的文件夹式资源包，内含说明、脚本、模板，模型在推理时判断相关性并挂载，用来做Excel表格、遵循组织规范、处理文档。插件逻辑，即插即用，用完即卸
▲ 传统产品意义上的Agent Skills：运行时按需加载，服务“此刻把任务做对”
通义千问团队做了一件看似简单、实则釜底抽薪的事：
把技能从“运行时的解题工具”，改造成“训练时的出题引擎”。
技能不再直接替模型答题技能负责告诉出题器：这类题该怎么出、结构是什么、怎么验证答案。
社区讨论中有一句概括：
"Maybe the better use of skills is deciding what the model should learn next."或许技能更好的用途，是决定模型接下来该学什么。
这句话捅破了一层窗户纸
三个角色，一场永不停歇的军备竞赛
▲ Skill-SP框架全貌：技能库路由、任务生成验证、Proposer/Solver共进化、技能演化控制器
Skill Self-Play的核心是三个角色加一个不断生长的技能库，共同构成一个闭环军备竞赛。
Proposer（出题者）： 它从技能库里抽一个技能，在技能的“出题说明书”引导下，生成一道题 $x$ 和一份学生看不见的验证契约 $c$，可以是单元测试、参数约束、答案检查器。
Solver（答题者）： 只能看到题面 $x$，看不到 $c$，凭自己的能力作答。环境用 $c$ 打分，不会把答案钥匙泄露给解题者。
Skill Controller（技能管理员）： 它盯着失败率、新颖性、难度效用，定期对技能库做三件事：精炼（refine） 表述模糊的技能，剪枝（prune） 废弃反复出坏题的技能，诱导（induce） 从自由探索中归纳出全新技能类型。
技能库就像一份不断修订的“出题大纲”；Solver是那个被逼到能力边界的学生；Skill Controller是根据错题本重写大纲的教研组。
核心设计在这里： Proposer的目标避开纯粹的极限难度。论文把奖励函数设计成，Solver成功率约50%的有效题得分最高，太简单或太难都会被压低。这个50%有明确依据，它叫“能力边界（learning frontier）”，借鉴自教育心理学里的“最近发展区”：任务得比你现在略难一点，才能有效促进成长。
随着Solver越来越强，旧题自动变“太容易”，系统会自动把课程推向新的前沿。这是一台持续运转、永不停歇的能力推进机器。
数字会说话：某模型直接暴涨43分
实验在五个骨干上展开，从3B到14B：Qwen3-4B-Instruct、Qwen3-8B、Ministral-3-8B-Instruct、Ministral-3-14B-Instruct、Granite-4.1-3B。每个模型的Proposer和Solver从同一个检查点初始化。
与“无引导自博弈（Unguided SP）”对比，结果触目惊心。
▲ Rohan Paul对论文的解读：攻克“自产训练任务”的关键难题
工具调用任务（API-Bank + BFCL）：
Qwen3-4B，总体分数从60.2升到66.7，+6.5。Qwen3-8B约+2.8Granite-4.1-3B约+5.3
而Ministral-3-8B，起初schema对齐极差，模型几乎无法独立生成有效任务，无引导自博弈基本停滞，Skill-SP带来了+42.9的绝对分提升。Ministral-3-14B约+42.3。
这组数字的意义在于： 对于那些“几乎不会自己造题”的弱基础模型，无引导自博弈等于无效，因为整个训练回路根本建立不起来。而技能库提供的结构先验，相当于给出题器装了一副“脚手架”，哪怕基础极差的模型，也能从有效信号中开始学习。
逻辑推理任务（ZebraLogic斑马谜题）：
五个骨干网格级准确率全部上升对较弱的Ministral-3-14B，网格级总体约+12.0，小规模谜题提升更大。
消融实验更能说明问题：把技能编排去掉，学习曲线更早平台；冻结Proposer或Solver的其中一方，分数都会掉；切断“用最新Solver估计边界难度”的反馈伤得最重，共进化是核心机制，缺了谁都会跛行。
社区追问：这改变了“技能”的本质吗？
▲ 开发者Franky.：技能从runtime走进了training loop
论文公开后，X上的讨论烧得很快
开发者Franky.写道：“Most agent skills get called at runtime. Skill Self-Play puts the skill library inside the training loop.（大多数agent技能是运行时调用的，Skill Self-Play把技能库放进了训练循环。）” 紧接着有人回复：“那这不就违背了skills作为灵活可拆卸扩展的初衷吗？”
▲ 网友质疑：把技能写进训练回路，是否改变了“即插即用”的产品定位？
这是个好问题把技能绑进训练，它还是“即插即用的模块”吗？
但论文和README都给了一个明确答案：最终的Solver在推理时可以保持prompt-only，不需要永久挂载技能库。 技能是训练时的脚手架，大楼盖好了，脚手架可以拆掉。
这与产品级Skills的思路是两条不同的轨道，不该混谈，尽管它们共享同一个“模块化程序化知识”的外壳。
分析师Winston B.则把这个框架类比为AlphaZero：
“验证单元落在技能上，即使任务空间扩大，校验仍可局部进行。” 榜单涨幅之后还有一场泛化考验：这些技能能否走出论文任务套件，抑或越来越擅长“应付自己的验证器”。
▲ “棋盘是无界语言任务”，AlphaZero式课程的语言模型版本
这一质疑直指自博弈领域长期的噩梦：过拟合验证器（reward hacking）。模型可能只找到了欺骗验证器的捷径，并未学会目标能力。这个问题还要交给独立实验回答
一张更大的地图
Skill Self-Play已有一批前序研究铺路。
就在2025年，arXiv上出现了Search Self-Play（arXiv:2510.18821），同一个Proposer-Solver骨架，只是把“棋盘”换成了深度搜索场景，用检索结果做验证锚点。还有Absolute Zero（arXiv:2505.03335），走得更极端：完全零外部数据，让模型用代码执行器给自己出题，在代码与数学推理上达到有竞争力的表现。
这三条路，都在回答同一个问题：没有人工题库，Agentic RL还能跑起来吗？
Search Self-Play的答案是“用检索环境上锁”；Absolute Zero的答案是“用代码沙箱上锁”；Skill Self-Play的答案是：“用可演化的技能包上锁，而且这把锁本身也会随着训练一起生长。”
Hugging Face Papers页收录了这篇论文，自动推荐了一串2026年前后的相关工作：trace派生agent skills的自演化编码代理、技能自演化对比评估、多模态技能-策略共进化……
“技能”这个词，正在从产品功能词，悄悄变成训练、评估、记忆与路由的研究关键词。 Skill-SP站在这张地图的一个特定坐标上：技能服务自博弈课程，而非仅服务单次推理。
▲ Qwen-Applications/skill-self-play，Apache-2.0，目录结构完整，含多骨干训练脚本
最后一个问题
如果Skill-SP的主张成立，技能库是调和“验得稳”与“题够多”的合适中间件，那么未来可能出现一种有趣的合流：同一套技能描述，既能给在线代理加载，也能给离线训练出题。 技能市场与训练课程市场，或许是同一个市场。
如果主张不成立，技能库会退化成另一层依赖人工维护的提示工程，换了个名字的数据飞轮。
材料本身尚未给出最终判决工具调用与斑马谜题上的实证切片，是目前能看到的全部答案。
但有一点是确定的：大模型训练正在从“人工标注”走向“模型自己造题”，而如何让“自造题”不变成“造假题”，是未来一两年最值得盯紧的技术主线。
阿里通义千问交出了一份阶段性答卷。下一份，不知道会从哪里飞来
参考资料：arXiv:2607.22529；github.com/Qwen-Applications/skill-self-play；huggingface.co/papers/2607.22529