零数据自我改进的模型，会不会偷偷挑简单的题做？

小米研究（Xiaomi Research）10月27日放出的论文 A-RSI 被 Hugging Face 标为当天第二热门的论文。标题里的关键词是零数据多模态自我改进：不依赖外部标签，靠模型自己生成任务、自己验证答案，然后自己变强。

机制不算复杂。训练过程中监控两个指标：奖励变化和准确率。学习信号开始往下掉，说明当前任务池快被榨干了，系统就生成新一批任务刷新池子。新任务怎么选、刷新规则怎么定、答案对不对，全程走程序化验证，不靠人工标注，也不碰测试集分数。

在 11 个主要基准套件上，A-RSI 用了 800 个新生成的任务，平均分从 57.77 提到 61.05。数字不算炸裂，但这条路子有意思：数据从哪来、什么时候换、换完怎么确认答案可靠，三个问题被塞进同一个循环里解决。

论文截图：

评论区有人叫好，说学习信号下降时刷新任务池，是个干净的处理方式。但真正值得看的是另外两条：

一条问，什么阻止它慢慢给自己挑更容易的任务？后面跟了句自嘲，说要是换自己，肯定也这么干。

另一条问，零数据自我改进听起来很好，直到你问它拿什么给自己打分。什么阻止它漂移？

两个问题是一体两面。自适应刷新的前提是学习信号本身可信。如果模型在任务选择或答案生成环节有办法让自己舒服一点，这个闭环就可能从自我改进滑向自我安慰。论文里写会自动验证所选属性、刷新规则，并单独审计生成的答案。这个设计在工程上说得通。但审计的人和被审计的模块都在系统内部，边界画在哪里，论文没展开到让所有人放心的程度。

这类自我改进框架的难点从来不是能不能涨点。涨点容易，难的是涨上去之后你还能不能相信它。57.77 到 61.05 是一条不错的曲线。但如果曲线底下藏着一条任务悄悄变简单的暗线，那就不是自我改进，是自我放水。