生成可执行规格
以结构化种子和历史经验为起点，编写生成器、验证器与题面模板；通过执行检查修复语法和运行时错误。
AGENTIC RL / VERIFIABLE TASK SYNTHESIS
SSLogic
ICML 2026
Scaling the Scaling Logic: Agentic Meta-Synthesis of Logic Reasoning
把可演化的对象推进到任务规则本身。Agent 在“生成—验证—修订”闭环中，编写可执行的生成器与验证器，持续扩展用于 RLVR 的逻辑训练任务。
400 → 953两轮演化后的任务族规模
21,389可验证任务实例
GRPOQwen3-8B 后训练验证
01 / CORE IDEA
从扩充题目，走向扩展任务族。
一个任务族包含生成器（Generator）与验证器（Validator）。生成器定义题面、规则与难度；验证器通过程序检查候选答案。SSLogic 让 Agent 修改这套可执行规格，从而产生新的逻辑结构与约束组合。
多重验证与独立盲审
先检查格式、可读性和完整性，再由独立求解器形成答案共识；盲审 Agent 仅看到题面，通过编程求解检验题目。
反馈驱动的修订
将歧义、缺失约束和实现错误反馈给主 Agent。通过验证后交付生成器、验证器、模板、数据与合成轨迹。
02 / TRAINING EVIDENCE
训练价值，用受控实验衡量。
论文在 Qwen3-8B 系列上采用 GRPO，比较种子数据与演化数据。除了固定优化步数，还提供 Token 预算匹配和外部 Enigmata 数据上的规模控制实验。
| 评测 | Seed | Evolve | 变化 |
|---|---|---|---|
| SynLogic | 22.3% | 24.3% | +2.0 pp |
| BBH | 61.8% | 67.3% | +5.5 pp |
| BBEH | 16.3% | 17.2% | +0.9 pp |
| AIME25 | 11.5% | 16.4% | +4.9 pp |
| Math500 | 83.6% | 82.7% | −0.9 pp |
指标为 pass@1；训练 240 步，Seed / Evolve 实例数为 8,776 / 8,758。pp 表示百分点。数值取自论文 Table 2C，并非所有评测都提升。
同 Token 预算仍有增益
累计 RL Token 约 1.09B 时，Evolve 的宏平均准确率相对 Seed 高 7.3%（论文 Figure 5 / Appendix N）。
收益具有任务差异
KORBench 的逻辑与操作类别分别提升 13.2 和 9.6 个百分点，拼图类别提升 1.2 个百分点（Table 4）。
质量验证是主要成本
100 条合成轨迹中，55 条通过完整验证；按该实验计算，每个被接受任务族的摊销成本约 1.18 美元（§5.4）。
03 / SCOPE
从研究结果，到可复用的数据生产方法。
这项工作展示了利用 Agent 自动扩展可验证任务族的路径：让数据生产同时具备生成规则、可执行验证和反馈修订能力。
实验范围
当前验证集中在逻辑与数学推理、Qwen3-8B 系列，并依赖已有的结构化任务种子。Token 预算匹配不等同于完整计算成本匹配；跨模型家族、代码生成及科学推理中的效果仍需进一步实验。