当题库追不上模型，AI开始给自己出题：无尽前沿团队跑通数据层RSI

事件概述

由上海交大人工智能学院、深势科技、上海算法创新研究院组成的无尽前沿团队，发布基座模型 BigBang-V1。这是首个基于 recursive self-improving（递归自我改进，RSI）原生方式训练出的基座模型。

模型在训练中把出题、解题、验证全部交给AI把控，通过可验证的前沿任务持续生成高质量自演进合成数据，全程无需人类逐题参与。团队将其概括为：AI advancing science, and science advancing AI。

核心信息

• 模型规模：参数规模35B，推理时激活约3B参数，支持262K长上下文。
• 数据策略：后训练数据100%由AI自主合成，以科学前沿任务为核心。团队认为任务需同时满足“前沿性”和“可验证性”，前者保证题库不会被模型快速耗尽，后者保证系统能获得可靠训练信号。
• 基准成绩：在长程搜索、代码、科学研究、AI研究等评测中，拿下全部35B模型里的10项第一；在FrontierScience Research、PaperBench等多项高难度科研任务上，成绩超过1T级DeepSeek V4 Pro Preview。
• 任务表现：
  • 在全基因组测序数据中定位一个47bp转座子插入位点，利用连接证据做约束映射，把断点锁定在坐标4144431，每一步证据可追溯；
  • 在LBCS论文复现任务中，通读论文后进行冒烟测试，发现自身实现违反论文核心主张后，连续否决三个候选修复方案，最终将连续扰动改为二进制掩码翻转，并主动恢复一个脱离计算图的梯度项。最终复现评分0.7657，485个评分点通过331个。
• 能力泛化：BrowseComp基准达到76.5，SWE-Bench Pro为54.2，能力增益同时迁移到长程搜索、软件工程、代码等场景。

方法论与边界

BigBang的核心是一套能持续修改自身生产策略的自演化合成数据管线，由两类Agent协同工作：

• Generator Agent：负责提出并解决科学、技术及AI研究中的高难度任务，可修改、运行和调试数据合成程序，并决定后续任务领域、难度和数据筛选策略。
• Critic Agent：从对抗角度审查候选数据，既检查格式、工具执行和约束满足，也判断任务是否正确、可验证、足够困难，以及是否具备训练价值。

系统采用两层共同演化框架：快速内循环中Generator与Critic对抗协作；外循环则用真实训练结果反向校准Critic，并调整Generator下一轮的任务领域和难度，避免模型只学会迎合数据审查标准。

这一数据层RSI闭环使数据和模型一起变强。团队认为，100%纯AI合成数据可通过验证链避免“合成数据坍缩”，错误的答案不会被当成正确答案继续喂回训练。

不过，这并不意味着人类退出研发。研发目标、资源预算、风险边界、最终验收标准仍由人类定义；AI不能自行修改评测标准，也不能仅凭Critic高分就直接批准方案进入下一轮训练。人类负责确定方向和定义有效进步，AI负责大规模探索、实验和数据生产。

值得关注

BigBang-V1的模型权重已开放，技术报告同步公开。它展示了一条不同于单纯堆算力的路径：当训练数据的生产不再依赖人类逐题产出，AI开始参与决定下一代AI应该学什么，模型进步的天花板可能由数据智能本身来抬升。