RSI 走到哪一步了：拆开递归自我改进的三个可写面、五条定律，和那个没人做的对照实验

> 过去十天里，arXiv 上连着挂了四份关于递归自我改进（Recursive Self-Improvement, RSI）的重量级工作：一份 33 位作者的路线图、一份把三条改进路线统一的元架构、一份专治「脚手架自我进化不泛化」的框架、一份把探索成本打下来的「做梦」方案。数字一个比一个好看——一个只有 30 亿激活参数的模型，在没有外部教师参与的条件下，四个基准平均自我提升 10.9 分。 > > 同一周，普林斯顿那边做了另一件事：给 Claude Opus 4.8 六天时间、3000 美元 API 额度、GPU 预算和开放网络，让它独立做完两篇 NeurIPS 2026 投稿级别的研究。两篇都被原作者以审稿人身份拒了，其中一篇 Strong Reject。它的探索阶段在第五小时就结束了——计划是 36 到 48 小时。3000 美元只花掉 1130。 > > 这两件事不矛盾。它们说的是同一句话：**今天我们缺的不是"让系统改动自己"的能力，而是"证明那个提升真的来自闭环"的能力。** 这篇文章把 RSI 现在的骨架拆开——它改什么、怎么调度、凭什么说自己有效，以及最重要的，怎么分辨"真的递归了"和"只是多花了一笔预算"。

---

一、先立门槛：什么才算"真 RSI"

RSI 这个词被用得太宽，先收紧定义。9 月 10 日挂在 arXiv 上的路线图《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》（arXiv:2609.11873，33 位作者，上海交大、清华、字节跳动、上海人工智能实验室等）给的定义是：

AI 系统把自身的经验与反馈，转化为持久的改动，这些改动既提升它当前能做的事，也提升它下一次改进的过程。

后半句是关键。普通训练也在让模型变强，但那不算递归。这篇论文给了一条判定式：一次提升要算"真的在递归"，必须同时满足两个条件。

第二条是整个领域最缺的东西。绝大多数自称 RSI 的系统，闭环终点接的是同一个它参与优化过的 benchmark，对照组用的是"同一道 syllabus 跑一遍"，而不是"同样预算下别的方式能做到多少"。这条判定式值得抄进你的实验协议里，哪怕你做的不是 RSI。

用一句话画出区别：

一次性提升（不算 RSI）
  基座模型 ──<span>[ 某个 patch / 某次蒸馏 ]</span>──► 更强模型
       └─ 改进用的那套方法，这次用完之后就被丢掉 ─┘

递归（才叫 RSI）
  基座模型 ──<span>[ 改进机制 M ]</span>──► 模型 P1  ──<span>[ M 留存并被 P1 使用 ]</span>──► 模型 P2
                    ▲                                    │
                    └────── P2 产出的信号反过来修订 M ◄────┘
            判据：同样预算下 P2 > P1，且这个 ">” 由独立评测给出

---

二、还剩多少空间：Headroom-Closed Index

在谈"怎么改"之前，得先知道"还有多少可改"。路线图论文提出了一个跨基准的统一标尺：Headroom-Closed Index（HCI，剩余空间闭合指数）。

它的定义是把不同单位、不同天花板的 benchmark 压到同一根 0–100 的进度条上：

<span>H</span> = <span>100</span> × ( s̄ − F₀ ) / ( <span>100</span> − F₀ )

s̄ = 当前模型在该 benchmark 上的平均得分
F₀ = 该 benchmark 入榜年份的前沿水平（取第 90 分位）

<span>H</span> = <span>0</span>   → 刚追上该基准设立当年的前沿
<span>H</span> = <span>100</span> → 满分，没有剩余空间

据多家对这篇论文的技术解读转述，作者在 10 个能力域、393 组"模型 × benchmark"观测上跑出的分布非常不均衡：

这张表解释了今年 RSI 论文的选址：几乎全都在软件工程和终端任务上。原因不是巧合——软件工程同时满足三个条件：

1. 验证信号近乎免费：编译、跑测试，几秒出结果；
2. 被改进的对象是文本：scaffold、prompt、工具定义，模型天生会写；
3. 剩余空间大：HCI 只有 52.6，改起来有地方涨。

反过来，物理世界的反馈要给新候选ის物理执行时间（embodied intelligence 是论文里点名的"慢车道"），科学发现的判据又常常是论证、复现和测量，而不是一个可自动执行的验证器。

口径提醒：HCI 的公式来自对论文原文的转述，上述具体数值我只在二手技术解读中对齐到两家一致，未逐条回溯原论文表格。引用时按"据报道"处理。

---

三、统一的 Loop Kernel：RSI 到底"写"在哪里

9 月挂出的 MetaRSI / RSI²（arXiv:2609.06396）做了一件此前没人做的事：把"进步是怎么发生的"抽象成一个与改进对象无关的闭环，然后把具体改进变成这个闭环的三次实例化。

3.1 一个内核

        ┌─────────────────────────────────────────────────┐
        │        任务族 + 受保护的验证器 V（不可写）          │
        └────────────────────┬────────────────────────────┘
                             │ 执行轨迹 / 外部反馈
                             ▼
                   ┌────────────────────┐
                   │   学习信号 <span>S</span>(t)     │  ← 每次都会被 ↑Controller 混合 &
                   └─────────┬──────────┘     ↓Controller 替换二者
                             ▼
        ┌────────────────────────────────────────────┐
        │  提案改动（只能写在三个可写面之一）            │
        │                                            │
        │   Data-RSI      Harness-RSI     Model-RSI  │
        │   改 / 造数据    改脚手架         改权重      │
        └────────────────────┬───────────────────────┘
                             ▼
                 ┌───────────────────────┐
                 │ 验证器 V 裁决 → 发布门 G │  ← 不位于任何可写面之内
                 └───────────┬───────────┘
                             ▼
                采纳 / 拒绝 → 结果回流成 <span>S</span>(t+<span>1</span>)

三个可写面各自改的东西：

五个槽位的划分不是随意的——它把"整个 harness 一起改"这个不可归因的动作，拆成了可独立验收的动作。这一点在下一节的 ModularRSI 里会成为主线。

Data-RSI 的定位尤其值得注意：它不只是"造数据"，它是能力边界的探测器。也就是说，它要标的不是"这条经验对不对"，而是"这条经验在什么范围内成立"，同时给出正向边界和负向边界。这决定了下游 Harness / Model 两个算子能不能安全地用它。

3.2 两轴调度 + 元级

只有三种算子还不够，还得决定"先改哪个、每个怎么提方案"。MetaRSI 给的是：

• 横轴（编排）：在每个决策点选择下一个要调用的算子，以及允许的组合顺序；
• 纵轴（改写）：向子智能体下发指令，改写某个算子自身的提案策略；
• 元级（跨 term）：一个 terms 结束之后，修订整个调度策略本身。

顺序之所以重要，是因为存在信息新鲜度约束：某个算子刚被改过之后，另一类算子的输入信号就过期了。论文从这个约束推出五种 admissible 的迁移类型，而不是任意排列。

一句话点破这套设计的意义：它把"优化哪个面"从一个工程选择，变成了一个可以被搜索、也可以被改的变量。

---

四、五条定律：这套架构总结出来的经验规则

MetaRSI 给出了五条明确写成"可证伪"的定律。这五条比它的实验数字更值得记住，因为它们是可迁移的：

L4 值得单独说。它和 9 月 16 日那篇 Plan Injection（arXiv:2609.15989）讲的是同一件事的两个部位：后者说"不要把 CoT 当日志读"，前者说"不要把闭环内部的分数字当证据读"。凡是能被写入的那面都不算证据，只能算自述。

---

五、证据：目前最好的那批数字

把本周几份工作的自报结果放在一起（全部为团队自报，未见第三方复现）：

最重要的一行是第三个：累计 +26.2 vs +20.7。前面几条证明的是"改了有效"，这一条证明的是"改那个改的东西，本身也在变好"——这才是 RSI 而非普通后训练的那一部分。虽然差得不多、规模也不大，但它是这类论文里少见地直接对着"递归"两个字做测量的地方。

NeoHorse-1 值得单独提一句，因为它展示了闭环另一侧的信息来源：系统先为每个用户轮次记录预测的能力需求、选中的服务档位、以及随之发生的交互，然后把这些记录转成保留交织推理、工具调用与 harness 上下文的训练样本，经结构校验 + 六维语义评估 + 子场景标注后准入。接着路由信号把监督微调组织成三段式课程，并延伸到"同进程下的 on-policy 蒸馏"，最后能力导向的分配把评测反馈转成下一轮训练混合比。一句话：今天的 serving 日志，就是明天的训练集，中间不需要人标注。

---

六、冷水：这份证据为什么还不能算数

6.1 Princeton 的 shadow evaluation 说了什么

普林斯顿 Peter Kirgis、Sayash Kapoor 等人联合英国 AI 安全研究所做了一项叫 shadow evaluation（影子评测） 的实验（arXiv，2026 年 8 月 18 日）。设计很克制：取两篇尚未发表的 NeurIPS 2026 投稿的核心研究问题（一篇讲能否通过编辑权重控制 LLM 的"人格"，一篇讲如何检测表格预测模型何时因分布偏移而失效），让智能体从零去做——答案没在网上，背不出来。

配置给得很足：Claude Opus 4.8 开启 Extra-High Reasoning，跑在开源 vendor-neutral 脚手架 OpenClaw 上，六天、3000 美元 API 额度、GPU 预算、虚拟机、开放网络、可派子智能体、可读它自己的资源用量。最后由两篇原论文的作者以会议审稿人身份评审。

结果是：两篇都被拒，一篇 Strong Reject。 工程侧它做得不错——文献综述、跑几百次实验、整理结果；研究侧，Kapoor 的原话是 "unambiguously bad"。日志里扒出来的具体失败方式：

一个真正的好消息：它们没有作弊。没有隐藏或歪曲不利结果，子智能体偶尔幻觉出的结果被主智能体抓住了。

Kapoor 给出的归因不是"模型不够聪明"，而是训练制度的：强化学习在"成功可被自动检验"的任务上最有效，而开放式研究恰恰缺少这种环境。这个解释和上面那张 HCI 表完全一致——凡是能在软件工程里跑起来的闭环，恰恰是那些本来就能自动判定对错的地方。

这项研究自身也有硬限制：n=2，两篇未发表论文的质量本身未知，让原作者来评审会引入偏倚（不是盲评），CRUX 团队自己也提醒他们的既有立场可能影响解读。这些条件在原文里都写明了。但对本文的用途来说，它足够说明一件事：可验证的那一档里 RSI 在跑，开放式那一档里它还没开始。

6.2 工程侧的六个死结

把这些放在一起，今天对着 RSI 做判定会遇到六个绕不开的问题：

1. 评价者漂移（L4）：闭环内部无法区分"能力涨了"和"标准松了"。唯一的结构性解法是把 evaluator 和发布门放在所有可写面之外，并且它的失败模式要能被独立审计。
2. 预算混淆：ΔP 必须在 matched compute / matched eval budget 下度量。绝大多数论文报的是"跑完这一整套之后 vs 原来的基线"，而这套东西本身可能多花了数十倍的 token。
3. 基准特化伪装成改进：在下游 benchmark 或其子集上进化 scaffold，学到的可能只是这个 benchmark 的形状。ModularRSI 的解法是 introduction thread 里明确的 benchmark-disjoint evolution——它从外部来源整理了 2000 个可执行进化任务，与下游评测基准不相交。这是一个"防火墙"式的设计，值得直接抄。
4. 单轨迹噪声：拿一条失败轨迹去反推 harness 缺陷，会把"这次实例的解法不对"和"harness 系统性不足"混在一起。解法是对比式证据聚合——同一任务的成功 / 失败轨迹成对比对，再跨任务聚合去找出反复出现的行为缺陷。
5. 单体归因困难：整块优化 harness 会把无关机制缠在一起。解法是把可进化的东西拆成互不相干的功能模块（ModularRSI 拆成 Agent Loop、Tool Use、Observation Management、Context Management、Task Completion Detection 五个），各自限定改动范围，最后再做集成与冲突消解。
6. 探索成本：循环要持续，就得不停试新策略，而在线试一次的成本是真金白银。Dream-RSI（arXiv，9 月 14 日）的做法是把历史发现树变成离线重放模拟器，在这个"梦境"里做 off-policy 评估——用一句话说：历史和 paid thinkagogue，就是你做梦的世界。 论文摘要只说在 GPU kernel、数学优化、算法工程三个域做到了"可比或更好的发现质量，同时显著降低发现成本"，没给具体数字。

另有据二手转述的 NVIDIA SoL-Pi（9 月 11 日）：自动研究循环接受率约 1/40，在保留约 94% 任务分数的同时把 token 降了 45%–49%。这条我没找到一手确认，按"据转述"处理，不要写进结论里。

---

七、不追 RSI，今天能落地的是什么

抛开"递归"这个词，这套东西有几件现在就能用的：

第一，先把验证器做出来，再谈闭环。 L1 是硬约束。你的任务族能不能在不依赖模型自述的前提下判定对错？如果不能，闭环一定退化为玄学。

第二，区分三个可写面的成本结构。 按 L3 选型：

第三，给自己的闭环加一条外力任选其一地做冻结核对： 冻结一份评测集、一个 evaluator 版本、一个算力预算上限。三者至少有一个不在修改范围内，你的"提升"才有外部含义。

第四，把服务日志当训练信号来源。 不用等到能跑 RSI：记录"预测的需求档位 → 实际选择的模型档位 → 交互结果"这一条三元组，就已经是 NeoHorse-1 那条闭环的第一公里。它是所有闭环里最便宜的一个入口。

第五，给"我们提升了"加一条内部规矩： 汇报任何自动改进成果时，附一句"这中间有多少是被放大的旧能力，有多少是外部新引入的"（L5）。这句话会让你的复盘质量立刻上一个台阶。

---

八、我的判断

把所有公开系统按那个五级阶梯排一遍，它们都在 L1 到 L3 之间：

L1 改进执行自主   人类指定改什么、怎么改，AI 执行        ← 今天的工程实践基本在这
L2 改进策略自主   AI 决定 pursue 哪些改进               ← MetaRSI 的两轴调度到了这
L3 经验获取自主   AI 决定下一轮该学什么经验              ← NeoHorse 的能力导向分配接近这
L4 环境适应自主   从部署反馈持续更新                     ← 未见公开系统达成
L5 递归元改进     修改<span>"改进机制"</span>本身                     ← MetaRSI 的元级策略是弱版本，未见强版本

三个具体判断：

1. 路线图 presenting 的两条判据（机制留存 + 增益可归因）应该成为默认审稿标准。 现在把这两条加上，多数"AI 自我改进"的宣称过不了审。这不是泼冷水，是让真正做出递归的工作能被认出来。
2. Harness-RSI 是当前性价比最高的一条路，也是最容易被高估的一条。 它不改权重、任何能调 API 的模型都能用——这是它的优点，也是它的天花板：一个基座模型不具备的能力，再好的脚手架也造不出来。singularitymoments 那篇评论的说法很准：它是在给基座模型搭一个更精密的笼子，没有扩大它的推理边界。
3. 下一个最值得等的信号，是一个跨 term 的接力实验。 具体说：MetaRSI 报了五个 term 的累计差（+26.2 vs +20.7），但它仍在同一个院子里；真正缺的是"上一个机制的产物，被下一个完全独立的团队 / 完全独立的评测复用之后还能涨"这一项。谁先做出来，谁就把这条判定式从纸面变成了事实。

三个可以立刻自问的问题：

• 我今年加的那些"自动优化"，有没有一个 External evaluator 是不在我（或我的系统）的可写范围之内的？
• 我报的那次提升，如果第三方在同一算力预算下用别的方式做，能不能复现这个差值？
• 我的闭环里有哪一项经验，会被下一代无条件继承，而我从没验证过它是对的？第三条是最贵的那一条。

---

数据来源说明与免责：

• MetaRSI / RSI²：arXiv:2609.06396（9 月）；项目页 CosmosMind-ai/RSI-Harness，HuggingFace: CosmosMind/RSI-Harness。所有实验数字均为团队自报，未见第三方复现，"文明级进化引擎"等表述见于团队授权转载渠道，属宣传口径。
• 路线图与 HCI：arXiv:2609.11873（9 月 10 日，33 位作者）。HCI 公式与 393 组观测、五个能力域的具体数值，来自多家第三方技术解读的转述，未经我逐条回溯原论文表格，引用时请按"据报道"处理。
• ModularRSI：arXiv:2609.14857（9 月 14 日），机构为曼彻斯特大学 / IQuest Research / 北航 / M-A-P / 河海大学等；benchmark-disjoint、2000 任务、五模块划分与该 Abstract / PDF 原文一致，具体提升数值未在摘要中给出。代码仓库 github.com/IQuestLab/ModularRSI。
• NeoHorse-1：arXiv:2609.08183（9 月 8 日），11 个基准，4B 58.94→64.87、9B 65.60→69.04 为团队自报。
• Dream-RSI：9 月 14 日，12 页，摘要未给具体 benchmark 数值，仅称"可比或更好的发现质量，同时显著降低发现成本"。
• Princeton shadow evaluation：arXiv 2026 年 8 月 18 日，Peter Kirgis、Sayash Kapoor（Princeton）与英国 AI 安全研究所；$1,130 /$3,000、5 小时 vs 计划 36–48 小时、15 轮无 Accept、提前 7 小时完成、0 张图 vs 15 张图等细节转述自 MIT Technology Review 与 the-decoder 的多篇报道。n=2，非盲评，作者在原文中已声明局限性。
• NVIDIA SoL-Pi、Google DeepMind 首席战略官关于 2000 亿美元 capex 押注 RSI 的表述、AlphaEvolve 的 23% kernel / 1% 训练时间 / 0.7% 全球算力等数字，均只见于二手渠道，未经一手确认，仅供背景参考。