Environment Duels：九大模型互相出题考对方，谁是最强出题人
想象把九个顶尖 AI 模型拉进一个房间，规则很简单：每个人都要给其他人出一道交互式难题，同时也要去解别人出的题。出题人有一个特权提示可以给解题者，目标是让"没有提示就做不出来、有提示就做得出来"的题。一轮之后，出题人看到所有人怎么做的，可以修改自己的题再来一轮。
一场九人桌游
想象把九个顶尖 AI 模型拉进一个房间，规则很简单：每个人都要给其他人出一道交互式难题，同时也要去解别人出的题。出题人有一个特权提示可以给解题者，目标是让"没有提示就做不出来、有提示就做得出来"的题。一轮之后，出题人看到所有人怎么做的，可以修改自己的题再来一轮。
这不是思想实验，这是 Environment Duels——一个让九个前沿 LLM 互为出题人和解题者的"角斗场"。
九个参赛者：Claude-Opus-5、GPT-5.6-Sol、DeepSeek-V4.1-Flash、GLM-5.3、Kimi-K3、Inkling-Small、Qwen3.8-27B、Grok-4.6、Gemini-3.8-Flash。90 个交互式环境，12960 个 episode。
不只是问答，是交互环境
Environment Duels 的"题"不是一道文字问答题。它是一个可执行的交互程序——有隐藏状态、有奖励函数、有动作预算。解题者需要探索、行动、适应，在多轮交互中找到解法，而不是一次性回答。
这比静态问答丰富得多。静态问答只测试"知不知道"，交互环境测试"能不能学会"。
每个出题人还要提供一个特权提示——一个能指出正确方向的暗示。出题人的目标是让"没有提示就做不出来、有提示就做得出来"的题。这意味着好的出题人需要： 1. 设计足够难的任务，让强模型也会失败 2. 写足够好的提示，让失败者看到后能做对 3. 校准难度，让任务既不是太简单也不是不可能
三个维度，没有总分
Environment Duels 不给一个综合分数。每个模型在三个独立维度上被评分：
解题率（Solve Rate）：作为解题者，能解多少别人的环境？ 难度（Difficulty）：作为出题人，你的环境让多少人做不出来？ 提示提升（Hint Lift）：作为出题人，你的提示帮了多少忙？提示提升 = 有提示的通过率 - 无提示的通过率。
提示提升的设计特别精巧。它不是简单的"有提示比没提示好多少"，而是分解为"修复"（没提示失败、有提示通过）减去"破坏"（没提示通过、有提示失败）。一个提示如果既不改变什么也不破坏什么，分数为零；如果帮了 5 个人但害了 5 个人，分数也是零。好的提示是帮人而不害人的提示。
核心发现：最强解题者不是最强出题人
这是 Environment Duels 最反直觉的结论。
你可能以为最强的模型（比如 Claude-Opus-5 或 GPT-5.6）在两个角色上都最强——既能解题也能出题。但数据不是这样。
解题率和出题能力是不同的技能。最强的解题者不是最强的出题人。更具体地说：较小的模型在出题上更有优势——它们从其他人的玩法中学到更多，它们的反击环境更难，提示更有用。
DeepSeek-V4.1-Flash 写出了九个模型中最难的环境。这和它的开发者报告一致：DeepSeek 在训练中大量使用了合成环境。这独立验证了"出题能力是训练可以构建的技能"。
反击机制：一轮共进化
Environment Duels 不是一轮定胜负。第一轮之后，每个出题人看到其他人怎么玩的——具体来说，看到三对匹配的轨迹（同一解题者在同一 seed 上有提示和无提示的完整尝试）。然后出题人可以修改环境、修改提示，或两者都改，但必须保持任务、接口、奖励契约、动作预算和 seed 映射不变。
这是一轮共进化：出题人适应解题者，解题者面对修改后的环境。
效果显著：无提示通过率从 84.9% 降到 78.5%，提示提升从 6.3% 升到 13.4%。出题人看到别人的玩法后，确实能设计出更难、更校准的环境。
更大的图景：模型生态系统的微缩模型
Environment Duels 不只是一个基准测试。它是一个模型生态系统的微缩模型。
在真实世界中，前沿 LLM 互相影响：一个模型写的合成数据被另一个模型训练；一个模型出的题被另一个模型学；一个模型的输出出现在公开网络上，被下一个模型的训练分布吸收。模型在共进化——每个模型的训练分布都被其他模型写了什么所塑造。
Environment Duels 在受控条件下复现了这个动态：
1. 传递性：头对头结果是传递的——如果 A 胜 B、B 胜 C，那么 A 胜 C。这产生稳定的排名。 2. 独立收敛：不同的出题人独立地设计了相似的环境结构。就像生物学中的趋同演化——不同物种在相似环境压力下发展出相似形态。 3. 提示提升预测训练收益：这是最惊人的发现。用一个 Qwen3.8-27B 做学习者，在各个出题人的环境上做 RL 训练。学习者在某个出题人环境上的提示提升，预测了训练后它在 held-out 基准上的提升。
第三点意味着：一个出题人的提示有多有用，直接预测了它的环境作为训练数据有多好。出题能力和教学能力是相关的——即使学习者不是出题人自己家族的模型。
对 AI 研究的启示
1. 评估模型不能只看解题
当前大多数基准只测解题能力。但出题能力是独立的技能，而且可能是更重要的技能——当模型足够强，人类出的题不够用时，瓶颈从"能不能解"转移到"能不能出"。
2. 合成数据的来源比数量更重要
如果不同出题人的环境质量差异很大，而且这个差异可以用提示提升来预测，那么选择"好的出题人"比"更多的出题人"更重要。这对合成数据策略有直接影响。
3. 模型生态系统需要被研究
我们习惯把每个模型当作独立个体来评估。但模型在互相影响——训练数据、合成环境、公开输出。Environment Duels 提供了一个框架来研究这种互相影响。
诚实评价
Environment Duels 有局限：
- 一轮共进化太少：只做了一轮反击。多轮共进化会不会出现更复杂的动态（比如出题人和解题者进入军备竞赛）？不知道。
- 交互环境的类型受限：所有环境都是程序化的、有明确奖励的。真实世界的任务（科学研究、创意写作）没有这么干净的验证信号。
- 九个模型的快照：模型在持续更新。这个排名在三个月后可能就过时了。
论文：arxiv.org/abs/2610.30116 代码：github.com/LLM-Duels/EnvDuels