夜雨聆风想象这样一个场景：一个学生不仅自己刷题，还自己出卷子，而且出的每一道题，都精准卡在他当前能力的极限边缘。不太难，不太简单，恰好是那种"做完会成长"的题。
这幅近似教育乌托邦的图景，正是阿里巴巴通义千问团队刚刚发布的新论文在做的事。
2026年7月24日，Qwen大模型应用团队与多所高校合作，在arXiv挂出论文《Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills》，代码同步开源。这篇论文做了一件听起来很简单、但细想极其颠覆的事：把AI的"技能库"，从推理时的外挂工具包，变成了训练时的自动出题引擎。
消息一出，技术圈迅速炸开了锅
一个折磨了整个AI行业的问题
先来说说AI自我进化这件事，为什么这么难。
过去两年，AI圈里有一条热门赛道叫做Self-play（自我博弈），让模型自己给自己出题、自己作答、自己从反馈里学习，从而摆脱对人类标注数据的依赖。听起来是无限能量的永动机，对不对？
但现实很骨感这条路上有两个深坑，几乎所有团队都掉进去过。
第一个坑：把模型关进一个狭窄的"可验证沙盒"。比如让它只在代码执行器或棋盘游戏里训练，反馈精准，但任务空间被死死锁住，根本练不出更通用的智能体能力。
第二个坑：放开让模型自由出题，然后事后过滤烂题。任务数量多了，模型自己造出来的题却千奇百怪：逻辑矛盾的题、答案根本验证不了的题、同一个模板反复复制的题，事后再怎么过滤，也只是被动的筛子，根本没教会模型"什么叫一道好题"。多轮迭代下去，合成数据质量会雪崩式坍塌。
Qwen团队直接在论文里点出了这个两难困境：一边是"可靠但太窄"，另一边是"够广但太脏"。
那有没有第三条路？
技能，开始承担出题任务
这是整篇论文最核心、也最反直觉的一个转身。
说到"AI技能（Agent Skills）"，大多数人脑子里浮现的画面是：给Claude装一个财务分析插件、一个代码执行器，让它在回答问题时随时调用。Anthropic在2025年10月就是这么定义Skills的，可组合、可移植、按需加载的运行时能力包。
Qwen团队把这个概念劫持了，然后把它彻底改造。
在Skill Self-Play（Skill-SP）里，"技能"负责充当训练阶段的出题模板，和推理时的答题工具有着完全不同的定位。 每个技能包里装着生成任务的规则、提示词、示例，核心组件是一个可执行的验证器（executable validator）。
这个区别，就是一切的根源
有了验证器，模型造出来的每道题都能被机器自动判断"这题本身有没有问题"。结构规则把天马行空的生成限制在一套合理的框架内。技能库则将每一次试错经验压缩成可复用的出题知识，供下一轮继续使用。
韩国技术博主code_n_money将这个变化概括为：技能在这里充当出题器。
▲ Skill-SP框架：技能库驱动Proposer出题，Solver作答，环境验证，再反过来更新技能库，形成完整的共演化闭环
三个玩家，一台永不停转的出题机器
整个系统由三方共同演化，节奏环环相扣。
Proposer（出题器）：根据技能库生成任务，目标锁定在当前Solver大概有50%概率解出来的题。太简单，学不到东西；太难，连学习信号都没有这个"恰好在能力边界"的设计，和AlphaZero在棋类AI里的课程设计思路如出一辙。
奖励机制也因此被精心设计成一个门控公式：无效题得零分；偏易或偏难的题得分低；落在约50%成功率附近的有效题才能拿高分。 这就彻底堵死了Proposer通过造"不可能解的题"来刷高难度分的作弊漏洞。
Solver（解题器）：只看到题目本身，不知道背后的技能库，老老实实作答。
技能演化控制器：这是整个系统的"大脑"。每一轮结束后，它会做三件事：精炼现有技能（从失败轨迹里提取经验）、剪除那些只会生成无聊题的饱和技能、诱导全新技能（从那些没有技能约束的开放生成流里发现新模式）。
为了防止系统退化成只会在技能框架里打转，论文还保留了一条探索流（exploration stream），一部分时间完全不用任何技能，让模型自由发挥，专门用来发现现有技能库还没覆盖到的新领域。
这就是论文里说的"双层优化（bilevel optimization）"：内层训练Solver，外层优化"如何出好题"。两层同时跑，互相推动
数字，会说话
接下来是最让人震撼的部分
论文在五个骨干模型上（参数量从3B到14B）做了系统实验，任务分两大类：工具调用（API-Bank + BFCL函数调用）和逻辑推理（ZebraLogic斑马谜题）。
工具调用的结果，直接看数字：
| +42.9 | ||
| +42.3 | ||
看到Ministral系列那两行了吗？一个初始工具调用能力只有20%出头的模型，被Skill-SP直接训到了64%量级。 与此同时，无引导自我博弈（Unguided SP）在Ministral上几乎毫无进展，原因正是论文预警的那个：基座模型太弱，根本无法独立合成有效训练任务，没有技能库提供结构先验，整个学习回路就彻底启动不了。
逻辑推理侧同样有惊喜：Ministral-3-14B在ZebraLogic上从5.4%涨到17.4%，Small难度子集的提升甚至达到35个百分点量级。
消融实验则用一组对照数字，回答了"技能库到底有多重要"：冻结技能库，整体掉2.3分；冻结Proposer，掉2.1分；两者同时冻结，掉3.2分每一个组件拿掉，系统都会变弱，没有一块是多余的装饰。
▲ 韩语技术博主将Skill-SP解读为"bilevel self-play课程学习"，并详细拆解了双层优化目标
海外技术圈的讨论
论文上线后，很快引起了多位海外技术博主的讨论。
英文科技博主Rohan Paul将整个方法概括为"把agent skills变成训练时的课程引擎"，并认为这个框架瞄准了"AI自我造题"本身的结构性缺陷。
▲ Rohan Paul将Skill-SP概括为"evolving collection of verified task templates"推动自我改进
Franky.在推文里写道："多数agent skills在运行时被调用；Skill Self-Play把技能库放进了训练环。或许技能更好的用途，是决定模型下一步该学什么。"
当然，质疑的声音也有有评论者问：这样做，会不会把技能从"灵活可拆卸的扩展能力"变成了"只服务于训练流水线的内部零件"，从而消解了技能生态本来的价值？
还有人提出了更深的担忧：当验证器本身不完备时，模型会不会只是学会了"钻验证器的空子"，却没有充分理解任务？ 这个问题，论文没有完全回答，也是后续研究的最大未知数之一。
这件事，比看起来还要大
把视野拉宽一点，Skill-SP其实站在一条研究曲线的重要节点上。
从固定环境可验证RL（靠代码执行器、棋盘规则），到开放合成加事后过滤，再到用模块化、可执行、可演化的技能接口同时承担出题先验与校验边界，AI自我进化的工程路径，正在一步步走向成熟。
这篇论文的作者名单里，出现了与2025年《Search Self-play》重叠的研究者。那篇论文让模型在可验证搜索任务里自我对弈；这篇论文则把可验证结构抽象成了跨任务的技能包，同一个团队，正在系统性地把"可验证self-play"的边界往外推。
而且，整个实验框架已经全部开源（github.com/Qwen-Applications/skill-self-play），包含工具调用和逻辑推理两条完整训练线、8张卡的训练启动脚本，以及初始的15个通用技能包和8个逻辑谜题技能包。开源内容组成了一套可以直接跑起来的实验栈。
技能演化本身占整个端到端训练时间的约6.5%，换句话说，用极低的额外开销，换来了持续自动生成高质量课程的能力。
▲ arXiv:2607.22529，Submitted on 24 Jul 2026，cs.CL分类
模型，终于开始替人类操心"该怎么练"了
有一个问题，始终盘旋在Skill-SP的论文字里行间：如果AI能够决定自己的学习课程，人类的角色会变成什么？
在极弱基座模型上，Skill-SP依然难以冷启动，先给它一点"能力种子"，才能让自我进化的飞轮转起来。人类标注与课程设计由此被前移到更早的环节：初始技能包的设计，仍然依赖人类判断与工程投入。
趋势已经显现：模型正在越来越多地接管"该练什么"这个问题，同时继续回答"这道题怎么做"。
技能库会继续长大能力边界会继续被推远而那个"恰好在能力极限处徘徊"的出题器，正在一轮一轮地把模型，推向它自己都不知道能到达的地方。
这，才叫自我进化