生成建模与扩散
突破级
暂无讲解视频
收录解读
这篇论文的核心吸引力是把 self-play 引入开放式生成，并强调 zero-data bootstrapping。它不是普通数据增强，而是试图让生成系统通过自博弈产生可扩展训练信号。
如果这个方向成立，生成模型可以减少对静态数据集和人工偏好标注的依赖，转向更开放的任务生成、评估和改进循环。
它值得正式收录，因为本库关注 self-improving systems、generative modeling 和 test-time / training-time autonomy；G-Zero 正好落在这些路线的交汇点。
它没有更高，是因为 open-ended generation 很容易出现评估漂移和自我强化伪进步，当前仍需更强外部验证。