经过海量文本预训练后的大模型，已经能够很好地理解语言，并根据要求来生成文本。

不过，在部署大模型应用于特定任务、整合新信息或学习新的推理技能时，仍然需要人工标注数据对模型权重进行微调。

大模型是否可以通过「自己生成训练数据和学习方法」来实现对新任务的自适应？

麻省理工学院的研究人员提出了一个全新的自适应语言模型（Self-Adapting LLMs，简称SEAL）的框架，可以让大模型通过生成自己的微调数据和更新指令来实现自适应。

论文链接：https://arxiv.org/pdf/2506.10943

项目主页：https://jyopari.github.io/posts/seal

与以往依赖独立适应模块或辅助网络的方法不同，SEAL直接利用模型自身的生成能力来参数化和控制其自我适应过程。

当模型接收到新的输入时，会生成一个「自编辑」（self-edit）——即自然语言指令，用于指定数据和优化超参数，以更新模型的权重。

通过有监督微调（SFT），自编辑能够实现持久的权重更新，从而实现长期的适应性。

为了训练模型生成有效的自编辑，研究人员采用强化学习循环，以「更新后模型在下游任务中的表现」作为奖励信号。

在尝试「将新的事实性知识整合到LLM」的实验上，研究人员使用SEAL模型生成的合成数据进行微调。

相比与直接在原始文本上微调不同，经过强化学习训练后，使用SEAL生成的合成数据进行微调，将SQuAD无上下文版本的问题回答准确率从33.5%提高到47.0%，甚至超过了GPT-4.1生成的合成数据。

研究人员还在ARC-AGI基准测试的简化子集上对SEAL进行了少样本学习评估，模型需要利用一组工具自主选择合成数据增强和优化超参数（例如学习率、训练周期、对特定token类型的损失计算）。

实验表明，使用SEAL自动选择和配置这些工具，比标准的上下文学习（ICL）和没有强化学习训练的自编辑表现更好。

自适应大模型（SEAL）可以帮助语言模型更好地适应特定任务。

假设语言模型的参数为θ，C是与任务相关的上下文信息，τ是用于评估模型适应性的下游任务，SEAL会针对每个任务实例（C, τ）进行操作。

在知识整合任务中，C是需要整合到模型内部知识中的段落，τ是关于该段落的问题和答案；

在少样本学习任务中，C是新任务的少量示例，τ是查询输入和真实输出。

给定上下文C后，模型会生成一个自编辑（SE），通过有监督微调的方式来更新自己的参数。

研究人员使用强化学习来优化自编辑生成的过程：模型生成SE作为动作，根据生成SE后模型在τ上的表现获得奖励，并根据奖励更新策略，以最大化预期奖励。

奖励与模型参数θ有关，所以强化学习的状态为上下文C和参数θ

由于模型参数会不断更新，之前版本模型收集的（状态，动作，奖励）三元组可能不再适用于当前模型。

因此，研究人员采用「在线策略」方法，即从当前模型中采样自编辑，并基于当前模型计算奖励。

相比其他策略方法，ReSTEM采用的「拒绝采样+有监督微调」，可以让训练过程更稳定。

ReSTEM的过程为：首先从当前模型策略中采样一些候选输出（即自编辑），然后只对那些获得正奖励的样本进行监督微调，以此来强化模型的策略。

研究人员使用了一个没有经过针对ARC（抽象和推理语料，Abstract and Reasoning Corpus）预训练的小型开源模型Llama-3.2-1B-Instruct进行实验。

由于大多数ARC任务对于未经过ARC预训练的模型来说难度较大，研究人员从ARC训练集中筛选出11个任务，从评估集中筛选出8个任务，确保这些任务在最优TTT（测试时训练，test-time training）配置下可以被基础的Llama-3.2-1B-Instruct模型解决。

在训练过程中，研究人员使用ReSTEM方法，通过为每个训练任务采样15个自编辑来训练模型。

每个自编辑分别应用于生成15个更新后的模型，然后在对应的测试样本上进行评估，只保留那些「经过适应后能够为测试输入生成正确输出」的模型。

评估指标为成功率：为每个保留的评估任务生成5个自编辑并评估模型，然后统计能够产生正确输出的自编辑的百分比，可以反映出所学自编辑生成策略的质量。

对比基线方法包括上下文学习（ICL）、TTT+自编辑（无强化学习）和Oracle TTT（性能上限）。

与基线方法相比，SEAL显著提高了适应成功率（72.5%），而未经强化学习训练的基础模型的自编辑成功率仅为20%，不进行任何适应的成功率为0%

研究人员使用Qwen2.5-7B模型，从SQuAD（斯坦福问答数据集）的段落中整合新的事实内容。

对比基线包括基础模型（直接在问答任务上评估，Base Model）、仅在段落上微调模型（Train on Passage）、在段落和自动生成的推论上训练模型（Train on Passage + Synthetic）、在段落和通过OpenAI API从GPT-4.1收集的模型生成推论上训练。

在单段落设置下，仅在段落上微调的模型相比基础模型几乎没有提升（33.5% vs. 32.7%），表明仅使用原始数据是不够的。

使用GPT-4.1生成的推论可以将准确率提升到46.3%，比仅使用段落的基线提高了12.8个百分点。

使用Qwen2.5-7B模型生成的合成数据可以达到39.7%，提高了6.2个百分点。

经过强化学习后，SEAL进一步将准确率提升到47.0%，尽管模型规模较小，但表现优于使用GPT-4.1生成的合成数据。

在持续预训练（CPT）设置下，模型从200个段落中整合信息，并在所有974个相关问题上进行评估。研究人员为每个段落采样5个自编辑生成内容，并将这些合成数据用于持续预训练。

结果显示，SEAL在多段落设置下也优于所有基线方法，准确率达到43.8%。

虽然绝对性能低于单段落设置，但相对提升效果保持一致，这表明SEAL发现的编辑策略不仅适用于单个段落的合成数据生成，还能推广到更广泛的场景。

仅需两次迭代，SEAL就超过了使用GPT-4.1数据的效果，后续迭代的提升效果逐渐减弱，表明策略迅速收敛到一种能够「将段落提炼为易于学习的基本事实」的编辑风格。

从例子中，可以看到强化学习可以促使生成更详细的自编辑内容，而这些更详细的编辑又反过来提升了整体性能。