研究人员宣布了一种名为 Ring-Zero 的新型强化学习框架，它能让万亿参数规模的语言模型在保持 token 预算限制的同时学习推理，该模型在 2026 年 AIME 数学考试中取得了 84.2% 的成绩。这一结果表明，在这一规模下，模型可以习得工程师传统上通过提示词（prompts）硬编码进来的逐步解决问题的习惯。

为什么这很重要

AIME 级别的表现长期以来一直是“人类水平”定量推理的基准。在没有任何人工编写示例的情况下达到 84.2% 的水平，表明模型的推理能力源于训练动态本身，而非人工构建的脚手架。对于构建 AI Agent 的公司来说，其意义显而易见：编写和维护复杂的提示词配方可能会被一种训练循环所取代

后续关注点

AI 从业者的实践要点

  • 不要将提示词视为唯一的杠杆 – 思考一下，你正在通过提示词编写的行为，是否可以通过奖励驱动的训练循环（reward-driven training loop）来学习。
  • 将 Token 使用量视为一级目标 – 尽早加入预算感知信号；模型将学会平衡准确性与计算成本。
  • 闭合反馈循环 – 部署一个能够自动提供任务、根据可验证答案衡量结果，并将结果反馈回训练过程的系统。在这个循环中，模型会发现属于自己的工作流。

当奖励目标明确且环境能够可靠地衡量成功时，扩大模型规模不仅仅是增加原始容量——它还在教模型如何选择思考方式。这种从手动编写脚手架（scaffolding）到自主推理的转变，可能会重塑我们构建和为 AI Agent 定价的方式。