一、文章主要内容总结
文章针对强化学习可验证奖励（RLVR）训练大语言模型（LLMs）时，高质量问题集稀缺、合成数据未贴合模型能力的痛点，提出自我感知弱点驱动问题合成（SwS）框架。核心流程为：先通过初步RL训练识别模型持续失败的弱点问题，从这些问题中提取核心概念并重组生成针对性合成题，最后用合成题增强训练以弥补模型短板。实验覆盖3B至32B多种模型，在8个主流数学推理基准测试中，7B模型平均性能提升10.0%，32B模型提升7.7%，且在竞赛级基准（如AIME）上表现突出，还拓展了弱到强泛化、自进化等多种适用场景。
二、文章创新点
- 提出弱点驱动的问题合成范式：首次将模型在RL训练中的持续失败案例作为弱点依据，定向生成合成题，避免无差别数据扩充，提升训练效率。
- 构建全流程可控的合成数据 pipeline：整合概念提取重组、质量验证、答案生成、难度过滤等环节，确保合成题的准确性、针对性和适配性。
- 验证跨模型、跨场景的通用性：在不同规模模型（3B-32B）和多种推理基准中均实现性能提升，还拓展到弱到强泛化、自进化、弱点驱动选择等场景，证明框架灵活性。
- 解决RLVR训练数据的核心痛点：无需依赖大规模人工标注数据，通过模型自生成靶向数据，缓解了数据稀缺和难度不匹配导致的梯度消失问题。
