# GameSmith breidt training van LLM’s met nul-somspellen uit

> De nieuwe pipeline maakt honderden synthetische spellen voor twee spelers. Zo stijgt de redeneerscore van een model met 4 miljard parameters van 45.5 naar 62.5.

Oossa · 2026-10-14 · https://oossa.com/nl/gamesmith-expands-zero-sum-game-training-for-llms

Onderzoekers onder leiding van Waylon Li introduceerden GameSmith, een systeem dat op basis van vaste sjablonen een groot aantal nul-somspellen voor twee spelers genereert. Elk spel wordt gecontroleerd door het opnieuw af te spelen en te vergelijken met een afzonderlijke implementatie. Dat leverde 26 nieuwe spellen op, verdeeld over 29 families, en 336 geverifieerde varianten. Het grotere teachermodel Qwen3‑32B speelt deze spellen tegen zichzelf; vervolgens wordt de kennis ervan overgedragen aan het kleinere model Qwen3‑4B‑Base. Op een suite van 13 benchmarks steeg de gemiddelde pass@1-score van het model na distillatie van 45.5 naar 62.5. Met verder zelfspel en de CRAB-estimator kwam de score uit op 64.9.

## De feiten

- Er werden 26 nieuwe spellen in 29 families en 336 geverifieerde varianten gegenereerd
- De gemiddelde pass@1-score van Qwen3‑4B‑Base steeg na distillatie van 45.5 naar 62.5

## Waarom het ertoe doet

De verbetering laat zien dat kleinere taalmodellen beter kunnen leren redeneren door te trainen op een grotere verscheidenheid aan synthetische spellen.

## Bronnen en referenties

1. [GameSmith: Scaling Zero-Sum Self-Play with Synthesised Games](https://arxiv.org/abs/2610.13995) – arXiv cs.LG, 2026-10-14

Laatst bijgewerkt: 2026-10-14