Исследователи под руководством Уэйлона Ли представили GameSmith — систему, которая создает множество игр с нулевой суммой для двух игроков на основе фиксированных шаблонов. Каждую игру проверяют повторным воспроизведением и с помощью отдельной реализации: в результате получено 26 новых игр в 29 семействах и 336 проверенных вариантов. Более крупная модель-учитель Qwen3‑32B играет сама с собой в эти игры, а затем полученные знания дистиллируют в меньшую модель Qwen3‑4B‑Base. В наборе из 13 тестов средний показатель pass@1 дистиллированной модели вырос с 45,5 до 62,5, а дальнейшая самостоятельная игра с оценщиком CRAB позволила достичь 64,9.
Почему это важно
Этот результат показывает, что языковые модели меньшего размера могут лучше рассуждать, если обучать их на более разнообразных синтетических играх.
