MetaRSI让AI学会改进“改进方法”，小模型和大模型都涨分了
MetaRSI：让AI学会改进“改进方法”
过去几年，AI圈流行一种叫“递归自我改进”（Recursive Self-Improvement，简称RSI）的做法：让模型自己生成训练数据、改写提示词、修复代码，甚至给自己打分。听起来很酷，但实际用起来总有点别扭——几乎所有RSI系统都依赖一套固定不变的改进程序，反复套用在同一个模型上。更麻烦的是，大家要么只搞数据增强（Data-RSI），要么只调提示工程（Harness-RSI），或者专注微调模型本身（Model-RSI），很少有人把这三条路真正打通。
现在，由CosmosMind联合斯坦福、伯克利、清华、北大等十余家机构推出的MetaRSI-v1，试图解决这个问题。它的核心想法很简单：与其让AI一遍遍执行同样的改进流程，不如教会它如何动态调整这个流程本身。换句话说，MetaRSI不是在改进模型，而是在改进“改进模型的方法”。
这套架构最大的突破，是提出了一个叫Loop Kernel的统一形式。它把“进步如何发生”抽象成一个与具体对象无关的闭环：系统先从运行中收集反馈信号，然后在数据、工具链（Harness）或模型参数三个维度提出改动方案，交由一个独立的验证器裁决，最后把结果回流为下一轮的学习信号。这样一来，Data-RSI、Harness-RSI和Model-RSI不再是割裂的模块，而是同一个Kernel下的不同实例化算子，可以灵活组合、统一调度。
三个改进空间，一套底层骨架
在Loop Kernel的基础上，MetaRSI-v1定义了三个具体的改进空间，分别对应三种算子：
- Data-RSI：从模型自身的执行轨迹中提取学习信号，经过校验后合成新的训练数据。这些数据不仅放大模型已有的正向能力，还能明确标定其负向边界——比如哪些问题它确实不会做。
- Harness-RSI：针对工具链（即模型运行时的外部接口层）进行优化。MetaRSI把Harness拆成五个可插拔槽位：System Prompt、Skill、MCP（多步控制协议）、Tools和Memory。系统可以根据反馈，在这些槽位上做“加法”（新增功能）或“减法”（删掉冗余逻辑）。
- Model-RSI：直接更新模型的参数或结构，把那些被反复验证有效的行为内化进模型内部，变成“本能”。
值得注意的是，这三者并非孤立运作。Data-RSI产出的数据会同时供给Harness-RSI和Model-RSI使用；而这两者的改动结果又会反过来影响模型的行为轨迹，从而驱动Data-RSI重新标定能力边界。这种环环相扣的设计，让能力得以逐轮披露、累积。
纵横双轴：让改进自己找路
光有算子还不够。MetaRSI-v1引入了纵横双轴编排机制，让系统能动态决定“下一步该改进什么”以及“怎么改进”。
- **横轴（horizontal orchestration）**负责编排算子的应用顺序。在每个决策点，一个叫RSI² Agent的组件会根据当前的学习信号，选择下一个要执行的算子（比如先做Data-RSI再做Harness-RSI），并将其无缝接入Loop Kernel。
- **纵轴（vertical optimization）**则深入算子内部，优化其自身的改进策略。RSI² Agent会向某个算子专属的Sub-Agent下发指令，后者根据环境反馈改写该算子的RSI规则——相当于让“改进方法”也能被改进。
为了协调这一切，整个系统由四个Agent共同运作：
- MetaRSI² Agent：站在最高层，学习如何优化RSI² Agent的策略选择。
- RSI² Agent：在每个循环节点决定是走横轴还是纵轴。
- RSI² Sub-Agent：负责执行纵轴指令，调整具体算子的内部逻辑。
- Transition Agent：衔接上下游算子的输入输出，确保产物能被正确消费。
这四个角色构成了三层改进层级：算子改进目标系统，双轴编排改进算子用法，元层改进编排策略本身。人类专家也可以随时介入任意一层，形成human-in-the-loop系统。
实验结果：小模型翻倍，大模型也涨分
MetaRSI-v1的实验分两条路线展开。
第一条面向小模型，选用了Qwen3.5-35B-A3B（总参数350亿，激活参数约30亿）。在Terminal-Bench 2.1、SWE-bench Pro、GPQA-Diamond高难度子集和AIME四项严苛基准上，MetaRSI-v1让它平均提升10.9分。其中SWE-bench Pro的解决率接近翻倍——这意味着它修真实开源项目bug的能力大幅增强。更关键的是，随着自进化轮次增加，累计增益持续扩大，说明Meta层确实抬高了RSI的天花板。
第二条路线测试前沿大模型，包括GPT-5.6、Claude Opus 5、Kimi K3等六款闭源或超大规模模型。由于无法直接修改其参数，实验只启用了Data-RSI和Harness-RSI。即便如此，这些模型在Terminal-Bench 2.1上仍平均提升7.3分。这说明，即便是当前最强的AI系统，依然留有可观的自我改进空间——只要方法得当。
五条定律：给机器进步立规矩
除了技术架构，MetaRSI团队还提炼出五条关于“机器如何进步”的基本定律：
定律一：验证决定自我改进的前沿。 一个领域能不能形成自改进闭环，关键看任务能否被可靠检验。没有合适的验证器（verifier），一切改进都是空谈。
定律二：自我认知会过期。 RSI一旦改变agent的能力，它原有的系统描述就失效了。重新发现能力边界成了速率瓶颈。
定律三：能力与载体无关，但成本与载体有关。 同一项能力放在Harness里每次推理都要重付计算成本，内化进Model只需训练一次。成熟的RSI循环会持续把能力迁移到更便宜的载体。
定律四：可信度由不可写面度量。 在闭环内部，真正变强和偷偷放宽成功标准会得到完全相同的分数，且这种偏差无法从内部察觉或统计纠正。
定律五：循环不凭空创造能力。 所有增益本质上来自两部分：一是把模型已有的潜力放大固化，二是从外部引入新信息熵。自改进只是重组和激发，而非无中生有。
这些定律看似抽象，实则直指RSI实践中的痛点。比如定律四解释了为什么很多自生成数据训练后模型反而退化——因为缺乏外部锚点，系统可能在悄悄降低标准。
下一步：让科学领域拥有自己的进化闭环
MetaRSI团队没打算止步于软件层面。他们同步开源了RSI-Harness，一个能自我学习、自我迭代的工具链框架。不同科学领域或工程场景可以在使用中沉淀出可移植的“Harness Genome”——一套针对特定任务优化过的接口配置。
更远的野心在于触碰物理世界。团队设想，未来可编程仪器、自动化实验室将成为RSI的执行器和验证器。仿真、台架实验、真实仪器可以像三级火箭一样逐级推进，把昂贵且不可逆的操作放到最后。第一个在物理世界关上的进化循环，很可能不会出现在开放环境，而是诞生于高度受控的自动化实验室中。
到那时，研究者面对的将不再是零散的假设，而是一个能高速运转的“假设-验证”引擎。人类只需定义问题和价值判断，剩下的交给机器去迭代。MetaRSI的终极目标，是让AI从解题工具蜕变为文明级的进化基础设施——不是回答问题，而是不断升级“回答问题的方式”本身。