Hugging Face、LLM 自己改善フレームワーク「SPADE」を公開

記事の3ポイント

1. 1

   二重役割による自己プレイ構造

   単一の LLM が「環境設計者」として実行可能なトレーニング環境をコードで記述し、「推論エージェント」としてそれらを学習する、双方向的な自己プレイ RL フレームワークである。

2. 2

   動的かつ適応的な目標生成

   既存の固定された環境プールとは異なり、エージェントの能力の限界（エッジ）に位置しつつ実行可能な課題を継続的に生成し、学習目標の分布を動的に変化させる。

3. 3

   大規模モデルでの性能向上

   30B パラメータ規模で評価した結果、固定環境ベースラインに対し数学・科学・コード分野で平均 +5.3 向上し、ツール使用設定でも大幅な改善を示した。