BigBang-v1：把数据生产系统本身当成优化对象，以及一处对不上的口径

它主张的是什么

上海交大人工智能学院、深势科技与上海算法创新研究院组成的无尽前沿团队发布 BigBang-v1：35B 参数、推理时约 3B 激活、262K 上下文，后训练数据称 100% 由 AI 自主合成，以科学前沿任务为核心，出题、解题、验证全部交给 AI，不需要人类逐题参与。模型与技术报告同步公开。

厂商给出的成绩：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；在 FrontierScience Research、PaperBench 等高难度科研任务上超过 1T 级的 DeepSeek V4 Pro Preview；BrowseComp 76.5，SWE-Bench Pro 54.2。

这些数字全部是厂商自报的，来源文章本身也带明显的推介口吻（含作者自己的上手演示、无对照、无批评视角）。所以下面只取那个不依赖跑分也成立的部分。

真正可复用的是对任务的两个条件

它把问题从「如何收集更多科学数据」换成了「如何让数据生产系统随着模型能力一起进化」——也就是让数据生产系统本身成为被优化的对象。

要让这样一套系统持续跑下去，任务必须同时满足两条：

1. 前沿性——任务位于当前知识或模型能力的边界，甚至没有已知最优答案。静态题库会被模型迅速耗尽，而科学前沿会持续产生新问题。
2. 可验证性——候选方案能通过形式化方法、程序执行、数值计算、模拟器、实验反馈或领域工具做客观检查。

缺一，数据都会快速贬值：只前沿而无法验证，系统拿不到可靠训练信号；只可验证而没有难度，任务很快落后于模型能力。这两条比任何跑分都更值得记住，因为它给「合成数据到底该合成什么」提供了一个可以照着筛的判据。

报告顺带否掉了两类常见做法，理由都具体：一类只给模型套一层外壳（比如 harness）让它自己调工具改提示词，底层训练管线原封不动；另一类用大模型给生成数据打分筛选，但评判标准是人类预先写死的规则，不会跟着模型能力一起演化——模型变强之后旧尺子失效，仍然源源不断产出低价值样本。第二条正是本站《评估闭环》里那句「尺子变了没有」的反面：这里的问题不是尺子变了，而是尺子不会变。

一处对不上的口径

报道称 BigBang-v1 是「首个基于 recursive self-improving 原生方式训练出的基座模型」。而 Hugging Face 上的制品（endless-frontier/BigBang-v1，Apache-2.0）元数据把它标为 Qwen/Qwen3.6-35B-A3B 的微调；35B 总参、约 3B 激活与该基座的规格一致。

同一篇报道另一处写的是「后训练数据 100% 由 AI 自主合成」——这句与「微调」自洽，与「基座模型」不自洽。合理的读法是：RSI 发生在后训练阶段，底座是别人的。这不削弱那套数据管线的价值，但把主张的范围收窄了不少。

值得记下来的是这次核对本身只花了一次查询。开放权重的附带好处，是宣传口径可以被制品当场校对——闭源发布连这一步都做不了。

放在这条线上看

本站已发布的 GPT-Red 是自博弈让闭环自己产出下一轮输入，NVIDIA Nemotron 开放数据是把合成数据当作可分发的公共品，TutorMoments 则量出了模型在笼统目标下的行为偏差。这一条补的是中间那一段：当出题的速度成为瓶颈时，被优化的对象应该是出题的系统。

它同时是一个提醒——本站 08-10 的信源盘点已经指出，中文信源里产业 PR 的比例明显更高。这条之所以还是被留下，是因为它有可核对的开放制品，而不是因为它的跑分好看。