SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasoning via Multi-Agent Multi-Turn Reinforcement Learning

近期强化学习的进展表明，语言模型通过在具有可验证奖励的任务上进行训练，可以发展出复杂的推理能力，但这些方法依赖于人工整理的问题-答案对以及特定领域的奖励工程。我们提出了SPIRAL这一自博弈框架，让模型通过与不断自我提升的版本进行多轮、零和博弈来学习，从而消除了对人类监督的需求。通过自博弈，SPIRAL生成了一个无限进阶的课程，问题难度逐步增加，因为模型必须不断适应更强的对手。 为了实现大规模的这种自博弈训练，我们构建了一个完全在线的、支持多轮次、多智能体的强化学习系统，并提出了角色条件优势估计（RAE）以稳定多智能体训练过程。使用SPIRAL，在零和博弈中的自博弈训练能够产生广泛迁移的推理能力。仅在Kuhn Poker游戏上训练Qwen3-4B-Base，就在数学任务上取得了8.6%的提升，在通用推理任务上提升了8.4%，表现优于在25,000条专家游戏轨迹上进行监督微调（SFT）的结果。 分析显示，这种能力迁移是通过三种认知模式实现的：系统性分解、期望值计算以及逐案分析。多游戏训练（包括井字棋、Kuhn Poker和简单谈判）进一步增强了整体性能，因为每种游戏培养了不同的推理优势。将SPIRAL应用于一个本身已经具备强大推理能力的模型（DeepSeek-R1-Distill-Qwen-7B）仍能带来平均2.0%的提升。这些结果表明，零和博弈能够自然地发展出可迁移的推理能力，为实现自主推理发展提供了一条有前景的方向。

论文试图解决如何在无需人类监督的情况下，通过自我对弈（self-play）训练语言模型发展出可迁移的推理能力。当前许多强化学习方法依赖人工标注数据和领域特定奖励设计，而该研究验证了零和博弈（zero-sum games）可以自主培养模型的复杂推理能力这一假设。

提出名为SPIRAL的自我对弈框架，让模型在多轮、零和游戏中与不断进化的自身版本对抗，从而自动生成渐进式难度的课程（infinite curriculum）。关键创新在于：1）完全在线的多智能体强化学习系统；2）角色条件优势估计（RAE）以稳定训练；3）无需人工标注数据或任务特定奖励函数。

{"在Qwen3-4B-Base上仅通过Kuhn Poker训练，在数学推理任务上提升了8.6%，通用推理任务提升8.4%，优于基于25,000条专家轨迹的SFT。",分析揭示推理能力通过三种认知模式转移：系统性分解、期望值计算、逐例分析。,"跨多个游戏（TicTacToe、Kuhn Poker、Simple Negotiation）联合训练进一步增强推理性能。",将SPIRAL应用于已较强的推理模型（DeepSeek-R1-Distill-Qwen-7B）仍能带来平均2.0%的提升。,展示了零和博弈作为推理能力自生成训练机制的有效性，为无监督推理发展提供了新路径。}

{"AlphaZero (Silver et al., 2018) —— 使用自我对弈掌握围棋、象棋等复杂游戏","Self-Play in Imperfect Information Games (Lanctot et al., 2017) —— 策略梯度方法用于不完美信息博弈","Reward Learning from Human Feedback (Christiano et al., 2017) —— 利用人类偏好进行强化学习","Chain-of-Thought Prompting Elicits Reasoning in LLMs (Wei et al., 2022)","Training Verifiable Reasoning in Language Models (Zelikman et al., 2023)"}