テンセントら、人手ラベル不要でLLMが自己進化する「R-Zero」を発表
Tencent AI Labとセントルイス・ワシントン大学の研究チームは、人手によるラベル付きデータを一切使わずにLLMを自律進化させるフレームワーク「R-Zero」を発表した。基底モデルを「出題者」と「解答者」に分け、強化学習で適切な難易度の問題を自動生成する仕組み。Qwen3-4Bの数学推論スコアが6.49ポイント向上するなど、データ収集コストの大幅削減が期待される。
Tencent AI Labとセントルイス・ワシントン大学の研究チームは、人手によるラベル付きデータを一切使わずにLLMを自律進化させるフレームワーク「R-Zero」を発表した。基底モデルを「出題者」と「解答者」に分け、強化学習で適切な難易度の問題を自動生成する仕組み。Qwen3-4Bの数学推論スコアが6.49ポイント向上するなど、データ収集コストの大幅削減が期待される。