DataEvolve

研究方向：数据自进化——以数据为中心的自进化训练数据 / 合成与迭代。

研究范畴

数据自进化（data-centric self-evolution）以"数据"为核心驱动，让模型自主生成、筛选、配比并迭代训练数据，从而在尽量少依赖人工标注的情况下持续提升。本方向涵盖：合成数据生成、指令进化（Evol-Instruct 类）、自奖励 / 自评判偏好数据、数据飞轮（data flywheel）、以数据为中心的 Agent 自进化。社区关注的核心问题包括：合成数据的质量 / 多样性 / 覆盖度如何度量与保证、自迭代是否会引发模型崩溃（model collapse）或分布坍缩、数据污染与配比对下游能力的边际影响，以及如何量化"数据价值"并据此做主动筛选。

研究挑战

• 偏差与错误在迭代中累积放大。
• 真实性与事实性控制（幻觉随合成数据传播）。
• 大规模数据治理与自动化精炼的成本。
• 长期迭代稳定性与可复现性。

自研项目

• CLUB-benchmark (LogicEvolve) — 复杂逻辑推理的智能体评测与自进化平台，含元数据驱动的数据合成（Sudoku/迷宫/数独/Knights&Knaves/Zebra/代码推理等）与多基准（CLUB/CLUBv2/ToolCLUB/ExCLUB/BBH/SynLogic/LogiQA2）数据管线。
• EvolveLLM — 博士课题《Toward True ASI》承载仓库，含自进化机制综述与方法论沉淀。

相关工作

代码 / 框架

• agents (aiwaves-cn) — 数据中心的自进化自主语言智能体框架
• R-Zero — 零数据自进化推理
• autosynth — 仿 Meta Autodata 的合成数据生成框架
• AgentEvolver — 阿里 ModelScope 自进化 Agent 系统，支持训练数据自主生成
• Evol-Instruct — WizardLM 的进化指令数据生成方法
• Self-Rewarding-LM — 自奖赏语言模型偏好数据生成与迭代
• Awesome-Self-Evolving-Agents — 含数据进化专题的自进化 Agent 合集

论文

• Self-Rewarding Language Models — Meta/NYU LLM-as-a-Judge 自我改进（被引 996）
• Self-Improving Alignment with LLM-as-a-Meta-Judge — Meta-Rewarding 高层级自我改进（被引 223）
• A Survey on Self-Evolution of Large Language Models — LLM 自我进化方法综述（含数据进化模块）
• Adaptive Data Flywheel: MAPE Control Loops for AI Agent Improvement — 数据飞轮控制环路
• Evolving Knowledge: Towards Explanatory Evolution — 知识进化与数据迭代
• Self-Evolving Multi-Agent Collaboration Networks (ICLR 2025) — Agent 影响力驱动的协作进化