En ny forskningsramme fra Hugging Face-papirarkivet viser vejen mod AI-systemer, der selv designer de træningsmiljøer, de lærer i – uden at mennesker skal kuratere eller statisk generere dem. Rammen, kaldet SPADE, lader én sprogmodel spille to roller: en miljødesigner, der skriver fulde, langtidsholdbare træningsmiljøer som eksekverbar kode, og en ræsonnerende agent, der lærer at handle i dem. Det betyder, at miljødesigneren ikke er en fast størrelse, men selv bliver en lærbar komponent – et skridt mod åben, selvforstærkende forbedring.
Kernen i SPADE er en selvspilsmekanisme, hvor agentens 'regret' – forskellen mellem dens belønning med og uden privilegerede hints – bruges til at styre miljødesigneren mod opgaver, der ligger lige på kanten af agentens formåen, men stadig er løsbare. Det sikrer, at træningen hele tiden udfordrer modellen uden at blive umulig. Forskerne fandt, at to komponenter er afgørende for succes: at forankre miljødesigneren i dokumenter fra et stort prætræningskorpus og give den en akkumuleret hukommelse over tidligere miljøer.
Resultaterne er markante. Ved skalering til 30B-parameter-modeller forbedrer SPADE den stærkeste faste baseline med +5,3 i gennemsnit på tværs af otte benchmarks inden for matematik, naturvidenskab, kode og ræsonnement. I værktøjsbrug løfter den resultaterne med +5,7 på BFCL-v4 multi-turn og +13,9 på ACEBench-Agent. I spil- og simulationsmiljøer vokser fordelen over baselines i takt med modelskalaen – et tegn på, at metoden skalerer.
For beslutningstagere betyder det noget, fordi det peger mod en fremtid, hvor AI-systemer i højere grad selv kan udvide deres egen træningsdata og -opgaver. Det kan reducere behovet for manuel kuratering og gøre det lettere at træne modeller til komplekse, agentiske opgaver – fra værktøjsbrug til længerevarende beslutningsforløb. Samtidig rejser det spørgsmål om kontrol og forudsigelighed, når træningsmiljøerne ikke længere er fuldt menneskeskabte.
