# 京东和中科院信工所连发三篇论文，提出让大模型“自己教自己”的强化学习路线

> 原标题：让大模型学会「自己教自己」！京东&amp;中科院信工所连发三篇论文定义Self-Taught RLVR

- 来源：量子位 · 公众号
- 发布时间：2026-05-19T06:08:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/24423
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247891759&idx=3&sn=fc47242b1d6ce6aa4b33c64d792977d3

## 摘要

这篇推文本身因为环境异常没加载出正文，我只能根据标题和外部信息给你还原一下。京东和中科院信工所联合发了三篇论文，核心思路叫 Self-Taught RLVR，也就是让模型在强化学习里自己生成训练信号、自己教自己，省掉人工标注或外部奖励模型。

## 推荐理由

京东与中科院信工所联合发布三篇论文，提出 Self-Taught RLVR 路线，让模型在强化学习中自行生成训练信号，省去人工标注与外部奖励模型。

## 锐评

200 步超过 GRPO 跑 400 步，这个对比要是站得住，省的就是一半训练算力，对卡不够的团队比什么新模型都实在。RLVR 现在最贵的一环就是奖励信号，人工标注和外部 reward model 都是钱，让模型自己生成自己打分，账面上确实能砍掉一大块。

我唯一想挑的是这种自评自训的路线容易越练越自嗨，分数涨了但泛化未必跟得上，论文里没提复现要多少卡和数据怎么配，先当个方向看。
