By Unbug 
华盛顿大学、斯坦福大学、卡内基梅隆大学等 9 个机构的 18 位作者的论文《SPADE: Self-Play in Adaptive Synthetic Executable Environments》让同一个大语言模型同时扮演两个角色：环境设计师把长程训练任务写成带 reset()/step() 接口的可执行 Python 代码（含状态转移、奖励函数与验证逻辑），推理智能体在这些环境里做强化学习；设计师以「有特权提示与无提示的回报差」（hint-based regret）为训练信号，使环境分布随智能体能力边界共同演化。在 Qwen3-30B-A3B-Instruct-2507 上，8 个留出基准均分从 50.2 提升到 58.3（+8.1），领先最强固定环境基线 5.3 分。论文于 2026 年 8 月 19 日提交 arXiv（v1，cs.CL）。这与本站此前介绍的《MidTool：工具使用需要专门的中间训练》形成对照：MidTool 是「买数据」（外部语料 mid-train），SPADE 是「自己造环境」（自生成可执行训练环境）。
一个模型，两个角色
SPADE 把「训练环境从哪来」交给模型自己。环境设计师输出的不是题目文本，而是完整可执行的环境：状态转移、奖励函数与验证逻辑都写在 Python 里，智能体通过 reset()/step() 与环境交互并做强化学习。设计师本身也在训练，其奖励是 hint-based regret：给智能体特权提示（如部分解法）时的回报减去无提示时的回报，差值越大说明环境越落在能力边界上、越值得保留。每个生成环境都 grounding 在从语料库重采样的文档上，避免环境分布坍缩成重复任务。
增益集中在程序性推理与科学代码
分基准看（Table 1），主增益不在竞争数学：AIME’25 +1.3、AIME’26 +0.9，基本保住；真正涨的是程序性推理与科学/代码——Reasoning-Gym Math +18.3、Cog +14.7、GPQA-Diamond +5.4、LiveCodeBench-v6 +4.1。论文 Figure 6 的图注直接写明：在多样合成游戏上训练提升科学推理、代码生成与程序性推理，同时竞争数学得以保持。最强固定环境基线 Fixed-env RLVE 只有 53.0（+2.8），SPADE 领先它 5.3 分。
同一配方换到工具使用环境同样成立（Table 2，30B）：BFCL v4 multi-turn 49.0→54.7（+5.7）、tau2-bench 49.0→52.6（+3.6）、ACEBench-Agent 62.0→75.9（+13.9），三基准平均 53.3→61.1（+7.7）。与《工具调用的苦涩教训》对比推理时范式不同，SPADE 走的是训练路线：在自生成的可执行环境里做强化学习。
消融：不自适应的自播放大反而有害
Table 3（30B，游戏设置）中，去掉环境记忆得 53.2、去掉语料 grounding 得 53.5、用冻结的 GPT-5.5 当设计师得 53.0，都高于 base 但明显低于完整 SPADE 的 58.3。最关键的一行：同时去掉 Designer 训练与记忆，均分跌到 40.5，低于未训练的 base 50.2（Figure 11）。结论明确：关键不在自播放大本身，而在自适应设计——设计师随智能体能力边界共同演化。
机制证据（Figure 8/9）：环境多样性的 Vendi 分数有语料 grounding 时为 0.68，没有时只有 0.04；在 473 个 Physics 环境中，初始观测直接给出控制公式的比例从 25% 降到 5%，奖励分级数从 3.7 升到 5.8。设计师学会的不是把题目表面变难，而是持续提供智能体学得会的环境。
边界与开源
一个限定：游戏环境从未包含任何 held-out 基准任务，Designer 在训练中没见过这些评测题，因此留出基准上的提升是自生成环境能迁移到真实评测分布的间接证据，不是直接泛化证明。作者发布了代码仓库 github.com/spade-rl/spade（项目页 spade-rl.github.io）。
AI 智创简报：《流式审核专利扎堆，给聊天产品装实时安检》