自对弈搜索蒸馏 SPSD：用 MuZero 式自对弈数据提升 LLM 推理能力

研究者提出 Self-Play Search Distillation（SPSD），通过棋盘游戏上训练的 MuZero 式网络自对弈生成超人类合成数据，将搜索记录转为超人类思维链，用环境监督训练 LLM。在 Qwen3-4B-Base 上，六个数学基准的平均分从 24.1 提升至 36.6，留出游戏胜率从 15% 升至 45%。该方法仅用自对弈搜索记录训练，却能迁移到未见过的数学任务。