零数据多模态自训练不再一直啃旧题：训练日志一报警就换400道新题，八轮把均分从57.77推到61.05
核心概要
零数据多模态自训练此前主要关心生成什么任务，较少处理何时该换掉已经学不出信号的题池。A-RSI把换池时机交给训练日志：当组内奖励差异消失的提示数量相对两轮前下降至少15%，或记录准确率上升至少10个百分点，就整池换成400道未用过的程序生成题，答案由程序算出而非模型投票。Qwen3-VL-8B-Instruct在11项基准的等权平均从57.77升到61.05，共引入800道新题；每窗口都换的对照用3200道新题得到60.64。
深度剖析
零数据自训练现在多了一个不依赖测试分数的换池开关：模型自己训练日志里的奖励差异信号变弱，就说明当前题池该换了。 此前的零数据方法把重点放在下一步生成什么任务，例如更难的问题或接近模型能力边界的任务，对何时引入新经验关注较少。 在Qwen的旧题池上，具有非零组内优势的提示数在三轮窗口内从239降到195，保留率81.59%，低于85%阈值，触发换池；记录准确率条件从未单独触发。
换进来的新题答案由程序从同一份底层配置算出，不靠模型自洽投票或多数表决产生标签。 当训练目标来自自洽或多数投票时，模型自身预测的错误可能变成下一轮更新的标签。 从实际消耗的替换池中按五类生成器各抽200题共1000题，独立求解器与全部1000个参考答案一致，源标签与图像哈希也全部一致。
在11项基准的等权平均上，按日志触发换池并随机抽新题的策略在八轮续训后达到61.05。 同一协议下，每窗口都换并自适应调整难度的对照为60.64，每两轮换一次为59.89，同样由检测器触发但按难度前沿选题为59.59。 A-RSI共引入800道新题，每千题增益4.09；每窗口都换的对照引入3200道，每千题增益0.90；在第六轮匹配进度上，A-RSI为60.40，继续用旧池为58.35。
同一套固定阈值的控制器在MiMo-VL-7B-SFT上给出不同决策：前两个池触发替换，第三个池保留。 固定三轮换一次的计划会把两个模型的第三个池都换掉。 MiMo第二个替换池的信号保留率为98.68%，准确率上升6.63个百分点，回放判定保留；Qwen第二个替换池保留率83.98%，回放判定替换。
启示与展望
演示范围是Qwen3-VL-8B-Instruct与MiMo-VL-7B-SFT在11项基准、8192 token 输出上限下的续训，任务来自固定的程序模板库，覆盖几何、图表、表格和计数，不含函数图像、数值估计和空间任务。作者提出的下一步包括跨随机种子复现、为检测器时机补一个固定三轮计划的随机对照、对本轮做16k评测，以及为低熵模型设计换池策略。
作者明确说明各臂只训练一次，小分差没有显著性检验，前两次随机换池恰好落在三轮计划上，因此现有轨迹不能证明依赖历史的时机优于固定计划；No-Refresh在第七轮因健康检查失败中止，预注册的端点没有观测到；MiMo相对每窗口换池和周期换池的领先幅度很小，不足以确立时机优势。