自进化（Self-evolving／RSI），一篇就够了

• 文章主题：综述自进化（Self-evolving / Recursive Self-Improvement, RSI）的前沿进展、定义及实现路径。
• 行业现状：
• - OpenAI 发布 RSI Index，GPT-5.6 (SoI) 比 GPT-5.5 高 16.2 分，能自主完成 post-training 并训练出更小模型 Luna。
• - Anthropic 的 Claude 撰写公司 80%+ 合入代码，独立完成任务时长每 4 个月翻倍。
• - 腾讯混元 Hydra-1.0 实现“探索→提方案→读反馈→修订”循环。
• - MiniMax M2.7 在内部 harness 中自主运行 100+ 轮“分析失败→改代码→评测”，性能提升 30%。
• - 创业公司：Recursive Superintelligence (融资 6.5 亿美金，押注 latent token)、Sakana AI (演化算法)、Apodex (多 Agent 协同纠错)、Weco AI (AIDE² 双层优化)。
• RSI 三层分类体系：
• 1. Artifacts (产出物): 优化具体产物如代码、论文。LLM 反复生成、评估、修正，不涉及模型权重或 Agent 脚手架。例：AI Coding 工具自动修 Bug。
• 2. Harness (脚手架): 优化 Agent 的 prompt、memory、tool、skill 等部署结构。改一次，后续所有任务受益。例：Agent 将踩坑经验转化为新 Skill 或 Memory。
• 3. Models (模型): 模型自我训练。广义指无监督自我训练 (Self-training, TTRL, RL from internal signals)；狭义指模型自主规划下一代训练方向、数据及实验，形成研发闭环。
• 实现路径与案例：
• - Artifacts 层：
• - Karpathy Autoresearch: Agent 整夜修改 train.py 超参，通过 val_bpb 评分。实验显示 700 次改动中 20 次有效，训练速度提升 11%。
• - Google DeepMind AlphaEvolve: 使用进化算法筛选 Gemini 生成的代码，优化矩阵乘法和 FlashAttention，提速 23%-32.5%，反哺模型训练。
• - Harness 层 (当前热点，train-free)：
• - 优势：降低推理成本 (最高降 60%)，中间档位模型获益最大 (非单调曲线)，弱模型易失败，强模型遇天花板。
• - Nous Research Hermes: 任务调用工具 5 次以上自动生成 SKILL.md，配合 Curator 机制管理技能生命周期。
• - MiniMax M2*: 构建 M2* Model Iteration System，人类配置 Harness，Agent 自主迭代架构、技能和记忆，接管 30%-50% RL 实验工作流。
• - Models 层：
• - SIA (Systematic Iterative Alignment): 双杠杆单循环，Feedback-Agent 更新 Harness 或 LoRA Weights。
• - Continual Harness: 单 Episode 内精炼 Harness，跨迭代 Co-learning (PRM 评分 + Teacher 重标 + Soft SFT)。
• - Thinking Machines: 识别学生轨迹中的低概率 'forking tokens' 进行针对性监督。
• - Coconut: 连续潜在推理，图可达性任务准确率 0.98，优于 CoT (0.76)。

This page was made by pasting a link into LinkDigest, which turns a Xiaohongshu, Douyin, YouTube, TikTok or X post into text an AI agent can read — transcript, on-screen text and image descriptions.