范围：通过开放式任务的共同进化策略进行自我博弈

自对弈可以在没有外部监督的情况下训练语言模型。然而，现有的方法需要规则可检查的答案，使得开放式任务依赖于策划的提示或前沿模型法官。我们引入了 SCOPE，这是一个用于开放式任务的无数据自我对弈框架，它共同演化了两种策略：生成基于文档的任务的挑战者，以及通过多轮检索回答这些任务的求解器。初始模型的冻结副本充当自我判断，它从源文档中编写特定于任务的规则，并根据它们对求解器的响应进行评分。在三个 7-8B 指令调整模型（Qwen2.5、Qwen3、OLMo-3）中，SCOPE 在八个基准测试中将开放式性能提高了 10.4 分，并且匹配或超过了在约 9K 精选提示上训练的 GRPO_data。尽管仅针对开放式任务进行训练，但 SCOPE 还在 7 个 Hold-out 基准测试中将 Hold-out 简短形式 QA 提高了高达 +13.8 分，在所有三个模型上都超过了 GRPO_data。消融表明，共同进化挑战者对于保持任务接近求解器的前沿是必要的，收益来自检索和合成的改进，相对贡献因任务而异，并且标题生成质量是自我判断的瓶颈。