无尽前沿团队发布 BigBang-V1 模型，基于递归自改进合成数据训练
BigBang-V1 通过 AI 自我出题、验证的递归自改进训练，让数据生产随模型进化，在科研和代码任务上实现超越。
无尽前沿团队发布 BigBang-V1，这是首个以递归自改进方式训练的基座模型——AI 自己出题、解题、验证，生成合成数据。在长程搜索、代码、科研等评测中拿下 10 项第一，部分科研任务超过 1T 参数 DeepSeek V4。团队用可验证前沿任务让数据生产随模型进化。
正文摘录
- title: 当题库追不上模型，AI 开始给自己出题：中国这支团队跑通了数据层 RSI - sourcecompany: 量子位 - bodymarkdown: Jeff Dean 离职创办的 Discovery Loop，方向就是探索 AI 自动化科学研究。 不止 Jeff Dean，AlphaGo 缔造者 David Silver 等一众大牛也在同一条赛道上。 由上海交大人工智能学院、深势科技、上海算法创新研究院组成的无尽前沿团队发布 BigBang-V1 —— 这是首个基于 recursive self-improving 原生方式训练出的基座模型。 在训练过程中，出题、解题、验证都交给 AI 把控，通过可验证前沿任务持续生成高质量自演进合成数据，全程无需人类逐题参与。 在这样的条件下，模型在长程搜索、代码、科学研究、AI 研究等评测中，拿下全部 35B 模型里的 10 项第一。 不仅如此，在 FrontierScience Research、PaperBench 等多项高难度科研任务上，成绩甚至超过了 1T 级的 DeepSeek V4 Pro Preview。 转座子定位要求在全基因组测序数据里定位一个 47bp 的转座子插入位点，模型不仅要识别相关序列，还得遵守 RefSeq 染色体命名和 1-based 坐标约定。 一个 junction 对应一个坐标，最终把断点锁定在 4144431，每一步证据都可追溯。 任务要求把 LBCS 论文复现为可运行的代码仓库，它在通读完论文之后没有急着交卷，而是在冒烟测试里发现自己写出的实现违反了论文的核心主张： 它推算了扰动规模，发现无法越过触发阈值，于是连续否决了三个候选修复方案，最终把连续扰动改成二进制掩码翻转，问题才真正解决。