Curriculum(课程学习,Curriculum Learning)是机器学习中一种按难度由易到难组织训练数据的策略,灵感来自人类循序渐进的学习方式。在 2025 年的大模型研究语境下,它的含义已经明显扩展:既包括传统意义上的训练样本调度(如从简单任务到复杂任务、从短文本到长上下文),也包括为智能体、工具调用、对齐训练等场景设计的分阶段训练方案,甚至延伸到教育领域的知识图谱构建。可以认为,Curriculum 正从一种训练技巧演变为贯穿大模型训练全流程的组织框架。
Curriculum Learning 近期研究进展
理论层面的可解释性研究受到关注。一篇题为 Curriculum Learning as Transport: Understanding Curricula with Wasserstein Geodesics 的工作尝试用 Wasserstein 测地线来刻画课程调度,为“什么样的数据顺序才算好课程”提供了几何化的理论视角,而不是停留在经验性的难易排序上。
在智能体训练方向,Curriculum 被用于工具学习和多智能体数据选择。MATCH: Model-Aware Tool Learning with Curriculum Scheduling and Hierarchically Gated Rewards 将课程调度与分层门控奖励结合,用于提升模型使用工具的能力;Apple 提出的 RISED:基于 rubric 的多环境智能体训练数据选择方法 则从数据侧入手,用评分标准在多环境中筛选训练数据,本质上也是一种数据课程设计。同类工作 Self-Evolve With a Reference: Anchored Training of Tool-Integrated Agents 也探索了带参照锚定的渐进式智能体训练。
扩散语言模型也开始引入课程思想。CanvasAnneal: Curriculum Reinforcement Learning for Diffusion Language Models 将课程强化学习应用于扩散式文本生成;Constitutional Midtraining:中期插入宪法内容可提升模型对齐 则表明在训练中段插入对齐内容这一课程安排本身就能改善模型表现。应用侧,Curriculum-Aware Interpolate-then-Refine 把课程感知策略用于生理时间序列的缺失值插补。
当前焦点与观察点
第一个焦点是“数据选择即课程”。RISED 一类方法说明,头部公司正把训练数据的质量与排序视为独立的研究问题,而非训练的附带环节。第二个焦点是课程设计走向自动化:Curriculum Brain:用 11 个智能体自动构建课程知识图谱 用多智能体自动生成知识图谱,面向教育场景的组织能力同样可反哺模型训练数据构建。教育开源方面,Marble Curriculum 开源了覆盖小学 8 个科目、1590 个概念的 knowledge graph,为课程结构化提供了公开资源。
总体来看,Curriculum 相关工作的争议点在于收益的可复现性:课程顺序在部分任务上带来提升,但并无普适结论,理论工具(如最优传输)能否解释并预测课程收益,仍需更多验证。对从业者而言,观察点集中在智能体工具学习的课程调度、对齐训练的阶段安排,以及开源课程数据资产能否成为通用基座。